Ian Leysen, CEO und Mitbegründer von Datadobi – Interviewserie

Ian Leysen, CEO und Mitbegründer von Datadobi, ist ein Technologie‑Executive mit mehr als drei Jahrzehnten Erfahrung in Softwareentwicklung, Qualitätssicherung und Unternehmensdatenmanagement. Er gründete Datadobi 2009, nachdem er acht Jahre bei EMC als Senior Manager für Qualitätssicherung gearbeitet hatte, zuvor in Führungspositionen bei Mediagenix und Wave Research. Im Laufe seiner Karriere hat sich Leysen stark darauf konzentriert, hochwertige Software‑Engineering‑Organisationen aufzubauen und dabei drei Qualitätssicherungsteams von Grund auf zu etablieren. Bei Datadobi leitet er ein Unternehmen, das großen Unternehmen dabei hilft, unstrukturierte Daten in lokalen, Cloud‑ und Hybrid‑Umgebungen zu verwalten, zu steuern, zu migrieren und zu schützen. Das Unternehmen hat sich über seine Ursprünge in der großskaligen Datenmigration hinaus entwickelt und bietet StorageMAP an, eine herstellerunabhängige Plattform, die Organisationen mehr Sichtbarkeit und Kontrolle über komplexe unstrukturierte Datenbestände gibt, einschließlich der Vorbereitung von Unternehmensdaten für KI‑Initiativen.

Datadobi hilft Unternehmen, mehr Sichtbarkeit und Kontrolle über das schnell wachsende Volumen unstrukturierter Daten zu erlangen. Die Software kann Milliarden von Dateien scannen, um veraltete Daten, Duplikate, Eigentumslücken und potenzielle Risiken zu identifizieren, während sie Metadaten‑ und Klassifizierungs‑Tags anwendet, die Governance sowie automatisierte Richtlinien für Archivierung, Löschung und Aufbewahrung unterstützen. Dies ist zunehmend wichtig, da Organisationen Unternehmensdaten für generative KI vorbereiten, wobei schlecht verstandene oder veraltete Informationen Rauschen, Compliance‑Probleme und Sicherheitsrisiken erzeugen können. Datadobi ermöglicht es Unternehmen zudem, potenziell wertvolle Datensätze zu erkennen, sie für nachgelagerte Nutzung zu organisieren und ausgewählte Informationen in Data Lakes oder Lakehouses zu verschieben, wobei Nachverfolgbarkeit und Governance erhalten bleiben. Die Plattform liefert zudem Einblicke in Speicherkosten und CO₂‑Auswirkungen und hilft Organisationen, fundiertere Entscheidungen darüber zu treffen, welche Daten zu behalten sind und wo sie gespeichert werden sollten.

Sie haben acht Jahre lang die Qualitätssicherung bei EMC geleitet, bevor Sie 2010 Datadobi mitbegründeten. Was haben Sie in großskaligen Unternehmens‑Speicher‑ und Datenumgebungen gesehen, das Sie davon überzeugt hat, dass ein Unternehmen gegründet werden sollte, und wie hat sich diese ursprüngliche Vision weiterentwickelt, da unstrukturierte Daten für KI immer wichtiger werden?

Bei EMC habe ich jahrelang beobachtet, wie Unternehmen stark in Speicherinfrastruktur investieren, dabei jedoch kaum Sicht darauf haben, was tatsächlich darauf liegt. Wir waren hervorragend darin, Kunden beim Speichern und Schützen von Daten zu unterstützen, aber niemand stellte die schwierigere Frage: Was sind diese Daten, wem gehören sie, braucht sie noch jemand und welchen Wert haben sie? Diese Lücke zwischen Infrastruktur‑Fähigkeit und Datenverständnis war die Chance. Wir gründeten Datadobi, um Organisationen zu helfen, unstrukturierte Daten intelligent zu bewegen und zu verwalten, nicht nur von einem Array zum anderen zu verschieben.

Was sich geändert hat, sind die Einsätze. Vor fünfzehn Jahren war ein unverwalteter Dateifreigabe lediglich ein Kosten‑ und Compliance‑Problem. Heute ist dieselbe unverwaltete Dateifreigabe eine Haftungsquelle, sobald jemand ein KI‑Modell oder einen Agenten darauf richtet. Unstrukturierte Daten haben sich von etwas, das Unternehmen speichern, zu etwas entwickelt, das darüber entscheidet, ob ihre KI‑Initiativen Erfolg haben oder scheitern. Unsere ursprüngliche Idee, dass die Speicherinfrastruktur allein nicht erkennen kann, welchen geschäftlichen Wert Ihre Daten haben, hat sich nicht geändert. Sie ist nur jetzt dringender geworden als je zuvor.

Sie haben argumentiert, dass generative KI das Unternehmensdatenproblem nicht geschaffen, sondern vielmehr Probleme, die seit Jahrzehnten bestehen, aufgedeckt und beschleunigt hat. Welche sind die größten Schwächen, die KI jetzt im historischen Datenmanagement von Organisationen offenlegt?

Organisationen haben seit Jahrzehnten Schwierigkeiten, ihre Unternehmensdaten zu verstehen. KI hat dieses Problem nicht geschaffen, sondern lediglich die Verstecke entfernt, an denen es sich befand. Wenn Daten still auf einer Dateifreigabe oder in einem Archiv lagen, musste niemand dafür Verantwortung übernehmen, was darin war. Sobald man ein großes Sprachmodell oder eine RAG‑Pipeline darauf richtet, wird jede Schwäche sichtbar und hat Konsequenzen.

Die größte Herausforderung besteht darin, dass die meisten Organisationen Speicher verwalten, nicht Daten. Sie wissen, wo sich ihre Volumen und Buckets befinden, aber nicht, was sich darin befindet: welche Dateien veraltet sind, welche sensible oder regulierte Informationen enthalten, welche mehrfach im gesamten Umfeld dupliziert sind und wer tatsächlich Zugriff hat. KI deckt zudem auf, wie fragmentiert das Eigentum geworden ist. Daten sammeln sich über lokale Systeme, mehrere Clouds und SaaS‑Repositorien hinweg an, und niemand besitzt das Gesamtbild. Das sind keine neuen Probleme. KI hat lediglich die Kosten des Ignorierens sofort und sichtbar gemacht.

Organisationen konzentrieren ihre KI‑Investitionen häufig auf leistungsfähigere Modelle, GPUs und Infrastruktur. Warum kann mehr Rechenleistung oder Speicher ein zugrunde liegendes Daten‑Readiness‑Problem nicht lösen, und wo sollten Unternehmen stattdessen investieren?

Mehr Rechenleistung lässt eine falsche Antwort schneller erscheinen. Sie macht die Antwort nicht genauer, sicherer oder konform. GPUs und Speicherinfrastruktur führen Entscheidungen aus, die sie nicht selbst treffen. Wenn man ein leistungsfähiges Modell mit veralteten, duplizierten, falsch berechtigten oder sensiblen Daten füttert, erhält man ein leistungsfähiges Modell, das unzuverlässige oder riskante Ergebnisse in großem Umfang und schnell erzeugt.

Wir glauben, dass der Markt einen wichtigen Wendepunkt erreicht hat: Historisch haben Organisationen den Speicher optimiert; zunehmend müssen sie Daten optimieren. Das bedeutet, in die Disziplin zu investieren, die über der Infrastrukturschicht liegt – die Fähigkeit, über das gesamte Daten‑Estate hinweg zu sehen, zu verstehen, was jedes Datenstück tatsächlich ist und wer dafür verantwortlich ist, zu entscheiden, was behalten, verschoben, archiviert oder gelöscht werden soll, und diese Entscheidung konsequent umzusetzen. Ausgaben für Infrastruktur ohne diese Disziplin bedeuten lediglich, dass Organisationen das Falsche schneller tun können.

Genau das ist das Problem, das unsere Plattform für das Management unstrukturierter Daten lösen soll. Sie bietet Organisationen eine einheitliche Ansicht über lokale, Cloud‑ und SaaS‑Speicher, klassifiziert Daten mittels Tagging und Metadaten‑Analysen, sodass Teams erkennen können, was redundant, veraltet oder wirklich wertvoll ist, und führt dann Entscheidungen aus, indem sie Daten migriert, archiviert oder löscht – über richtliniengesteuerte Workflows, die kontinuierlich arbeiten und nicht als einmaliges Projekt. Diese Kombination aus Sichtbarkeit, Klassifizierung und konsistenter Ausführung verwandelt „Wir haben viele Daten“ in „Wir wissen genau, was wir haben und was damit zu tun ist“.

“KI‑bereite Daten” ist zu einem gängigen Branchenausdruck geworden. Aus Ihrer Sicht, was macht unstrukturierte Daten tatsächlich KI‑bereit, und nach welchen Kriterien sollten Organisationen vor dem Einbinden von Daten in generative KI, Retrieval‑Augmented Generation (RAG) oder Trainings‑Pipelines vorgehen?

KI‑bereite Daten sind Daten, die eine Organisation bereits validiert hat, nicht nur Daten, die sie besitzt. In der Praxis bedeutet das, dass die Organisation eine Handvoll Fragen mit Sicherheit beantworten kann, bevor diese Daten überhaupt ein Modell oder eine Pipeline erreichen: Sind diese Daten korrekt und aktuell, oder liegen sie seit Jahren unberührt? Sind sie an anderer Stelle dupliziert, sodass sie Ergebnisse verzerren oder widersprechen könnten? Enthalten sie sensible, regulierte oder persönliche Informationen, die nicht offengelegt werden sollten? Wer darf darauf zugreifen, und entspricht das noch dem, wer Zugriff haben sollte? Bringen sie tatsächlich geschäftlichen Mehrwert für den Anwendungsfall, oder sind sie nur Rauschen?

Fehlen Antworten auf diese Fragen, bedeutet das Einspeisen von Daten in eine generative KI‑ oder RAG‑Pipeline lediglich, dass Ihr Governance‑Problem nachgelagert in ein System verlagert wird, das viel besser darin ist, das Auffinden von Daten zu visualisieren als Ihre Dateifreigaben jemals waren. KI‑Readiness ist eine Disziplin der Datenintelligenz, kein einmaliges Kästchen, das man vor Projektstart abhakt.

Unternehmen können Milliarden von Dateien über lokale Infrastruktur, mehrere Clouds, Archive und Geschäftsbereiche verteilt haben. Wie können sie bestimmen, welche Daten einen bedeutenden geschäftlichen Wert besitzen und welche redundant, veraltet, trivial oder einfach nur Rauschen sind, das die KI‑Leistung beeinträchtigen könnte?

In diesem Ausmaß wird niemand die Frage Datei für Datei beantworten können, und manuelle Überprüfung ist keine praktikable Strategie. Organisationen benötigen zunächst eine unternehmensweite Sichtbarkeit: eine einheitliche, genaue Ansicht über lokale, Cloud‑ und SaaS‑Repositorien, denn ohne Sicht auf Daten lassen sich keine Entscheidungen treffen. Anschließend geht es darum, Datenintelligenz anzuwenden, um zu klassifizieren, was tatsächlich in der Umgebung vorhanden ist, sodass ROT‑Daten (redundant, veraltet und trivial) identifiziert und von Daten, die echten geschäftlichen Wert besitzen, getrennt werden.

Hier muss die Disziplin über reine Sichtbarkeit hinausgehen. Daten zu sehen ist notwendig, aber nicht ausreichend. Organisationen müssen verstehen, was diese Daten sind und bedeuten, entscheiden, was damit geschehen soll – behalten, verschieben, archivieren, löschen oder zur KI‑Anwendung nutzen – und diese Entscheidung dann konsequent über Milliarden von Objekten hinweg umsetzen. Direkt von der Sichtbarkeit zur KI‑Einspeisung zu springen, ist genau der Weg, wie Rauschen die Modellleistung verschlechtert und wertvolle Daten darin begraben werden.

Sicherheit und Governance werden besonders wichtig, wenn KI‑Systeme Informationen aufdecken können, die Mitarbeitenden zuvor schwer zugänglich waren. Wie sollten Organisationen Berechtigungen, sensible Informationen, Eigentumsverhältnisse und regulatorische Risiken bewerten, bevor sie Unternehmensdaten KI‑Systemen aussetzen?

Dies ist einer der Bereiche, in denen KI die Risikobewertung am stärksten verändert hat. Eine Datei mit übermäßigen oder veralteten Berechtigungen war früher ein theoretisches Risiko, weil in der Praxis jemand die Existenz der Datei kennen und aktiv danach suchen musste. Ein KI‑System mit breitem Zugriff kann dieselbe Datei sofort jedem präsentieren, der die richtige Frage stellt. Undurchsichtigkeit war nie ein echtes Kontrollinstrument, doch KI hat das letzte Stück Schutz, das sie zufällig bot, entfernt.

Bevor Daten einem KI‑System ausgesetzt werden, benötigen Organisationen ein klares Bild darüber, wer Zugriff darauf hat und ob dieser Zugriff noch sinnvoll ist, welche sensiblen oder regulierten Informationen enthalten sind, wer Eigentümer und Verantwortlicher ist und welche regulatorischen Verpflichtungen – etwa Datenresidenz, Aufbewahrung und Datenschutz – gelten. Diese Bewertung kann nicht nur ein einmaliges Audit vor dem Start sein. Unternehmensdaten ändern sich kontinuierlich, sodass Berechtigungen, Eigentumsverhältnisse und Risiken fortlaufend überprüft werden müssen, nicht nur zum Zeitpunkt des Projektstarts.

Datadobi plädiert dafür, das Gespräch von der Verwaltung der Speicherinfrastruktur hin zum Management von Daten als Geschäftsasset zu verlagern. Wie sieht dieser Übergang in der Praxis aus und wie verändert er die Beziehung zwischen IT‑Teams, Daten‑Teams, Sicherheitsverantwortlichen und Geschäftsbereichen?

In der Praxis bedeutet das, dass das Gespräch nicht mehr über Kapazität, Tiering und Verfügbarkeit geführt wird, sondern über Ergebnisse: Kostenreduktion, Risikominimierung, regulatorische Konformität und die Ermöglichung von KI. Diese wurden früher als separate Initiativen mit eigenen Werkzeugen und Verantwortlichen behandelt. Wir halten diese Sichtweise für zunehmend veraltet. Sie alle hängen vom Verständnis derselben zugrunde liegenden Unternehmensdaten ab, und was benötigt wird, ist ein neues, datenorientiertes Betriebsmodell, das sie verbindet, anstatt jede Initiative so zu behandeln, als hinge sie von einem separaten, isolierten System ab. Unsere Plattform ist das Mittel, um dieses Betriebsmodell in die Praxis umzusetzen.

Das ändert natürlich, wer am Tisch sitzt. IT ist nicht mehr der alleinige Gesprächspartner, weil Entscheidungen darüber, welche Daten behalten, verschoben oder KI‑ausgesetzt werden, Geschäftsentscheidungen sind, die durch Datenintelligenz, nicht durch Infrastruktur, informiert werden. Sicherheits‑ und Compliance‑Leiter benötigen Sichtbarkeit in dieselbe Datenlandschaft, die IT verwaltet. Geschäftsbereiche benötigen ein Mitspracherecht darüber, welche Daten für ihre Ergebnisse tatsächlich relevant sind. Datenmanagement wird nicht länger eine reine Back‑Office‑IT‑Funktion, sondern eine gemeinsame Betriebsdisziplin, bei der IT, Sicherheit und das Business Entscheidungen auf Basis derselben Informationen treffen.

Eine Herausforderung bei Unternehmens‑KI besteht darin, dass Daten ständig im Wandel sind. Ist KI‑Readiness etwas, das Organisationen einmal erreichen können, oder erfordert es einen fortlaufenden Prozess zum Entdecken, Klassifizieren, Steuern, Archivieren und Verschieben von Daten, während sie sich weiterentwickeln?

Es ist ein fortlaufender Prozess, Punkt. Unternehmensdaten ändern sich kontinuierlich, neue Dateien entstehen, Berechtigungen verschieben sich, Mitarbeitende kommen und gehen, Vorschriften entwickeln sich weiter, sodass das Datenmanagement zu einer kontinuierlichen Betriebsfähigkeit werden muss und nicht zu einer Reihe unabhängiger Projekte. KI‑Readiness als einmalige Aufräumaktion vor Projektstart zu behandeln, ist vergleichbar damit, ein Gebäude nach einem einzigen Besuch eines Schlüsseldienstes als sicher zu erklären und die Türen nie wieder zu überprüfen.

Was Organisationen benötigen, ist eine Betriebsdisziplin, die kontinuierlich durch Sichtbarkeit, Verständnis, Entscheidung und Umsetzung geht, dabei entdeckt, welche Daten existieren, sie klassifiziert und versteht, entscheidet, was mit ihnen geschehen soll, und diese Entscheidung wiederkehrend umsetzt. Die Unternehmen, die ihre Mitbewerber übertreffen, werden diejenigen sein, die diesen Zyklus kontinuierlich und im Unternehmensmaßstab durchlaufen können, nicht jene, die KI‑Readiness als Projekt mit Enddatum behandeln.

Da Unternehmen zunehmend KI‑Agenten einsetzen, die systemübergreifend suchen und autonome Aktionen ausführen können, wird das Management unstrukturierter Daten noch wichtiger? Welche neuen Risiken entstehen, wenn ein KI‑Agent auf über die gesamte Organisation verstreute Informationen zugreifen kann, anstatt nur auf eine Benutzerabfrage zu reagieren?

Es wird deutlich wichtiger, weil ein Agent die Art der Exposition verändert. Ein Chatbot, der eine einzelne Anfrage beantwortet, ist durch das, was eine Person fragt und sieht, begrenzt. Ein Agent, der systemübergreifend suchen und autonom handeln kann, kann weitaus mehr der Umgebung durchdringen als jeder einzelne Mitarbeitende normalerweise, und er kann das Gefundene bewegen, teilen oder nutzen, ohne dass ein Mensch jeden Schritt prüfen muss.

Damit entstehen Risiken, die über die reine Entdeckung hinausgehen. Wenn ein Agent Zugriff auf Daten hat, die er nicht haben sollte (falsch berechtigte Dateien, veraltete sensible Aufzeichnungen, Informationen, die vor Jahren archiviert oder gelöscht werden sollten), kann er mit Maschinen­geschwindigkeit und -maßstab auf diese Daten zugreifen, nicht nur sie einem neugierigen Nutzer anzeigen. Die Unternehmen, die Agenten am erfolgreichsten einsetzen, sind jene, die Daten‑Governance als Voraussetzung und nicht als nachträglichen Gedanken behandelt haben, weil ein Agent jede Lücke in Ihrer Datenintelligenz konsequent ausnutzen wird.

Für ein Unternehmen, das Jahrzehnte unstrukturierter Daten angesammelt hat und seine KI‑Initiativen skalieren möchte, welche praktischen Schritte würden Sie zunächst empfehlen und welche Fehler sollten Führungskräfte vermeiden, wenn sie beginnen, ihr Daten‑Estate zu kontrollieren?

Beginnen Sie mit Sichtbarkeit. Sie können keine guten Entscheidungen über Daten treffen, die Sie nicht sehen, daher ist der erste praktische Schritt, ein genaues, unternehmensweites Bild davon zu erhalten, welche Daten in lokalen, Cloud‑ und SaaS‑Umgebungen existieren. Anschließend gehen Sie zur Analyse über, klassifizieren diese Daten, um zu wissen, was wertvoll, was sensibel und was einfach nur Rauschen ist, bevor Sie Entscheidungen zu Aufbewahrung, Migration, Archivierung oder Löschung treffen.

Es gibt zudem eine Budgetrealität, die Führungskräfte nicht ignorieren können. Die meisten CIOs erhalten kein separates, unbegrenztes KI‑Budget, sondern arbeiten mit einem festen Geldpool, in dem KI nun mit allem anderen konkurriert, das das Unternehmen am Laufen hält. Der Instinkt, KI zu finanzieren, indem man Investitionen aus der bestehenden Infrastruktur herausnimmt, ist der falsche Ansatz, weil genau diese Infrastruktur, Speicher, Datenpipelines und Governance das sind, von denen KI zum Erfolg abhängt. Der nachhaltigere Weg besteht darin, im bestehenden Estate Spielraum zu schaffen: Durch Verbesserung der Sichtbarkeit und Reduzierung von Speicher‑Verschwendung mittels der Datenoptimierung, für die StorageMAP entwickelt wurde, wird echtes Budget freigesetzt, ohne die Kapazität zu berühren, die KI‑Initiativen tatsächlich benötigen.

Der größte Fehler, den ich sehe, ist, dass Organisationen sofort zur Ausführung übergehen, KI auf ihr Daten‑Estate richten oder ein Aufräumprojekt starten, ohne zuerst die Grundlage aus Sichtbarkeit und Verständnis zu schaffen. Der zweite Fehler ist, dies als einmalige Initiative statt als operative Fähigkeit zu behandeln; Daten ändern sich ständig, sodass die Disziplin kontinuierlich sein muss. Der dritte Fehler ist, es als rein technische Übung zu belassen. Die Unternehmen, die erfolgreich sind, behandeln dies als Geschäftsentscheidung, bei der IT, Sicherheit und Business‑Stakeholder auf den Wert der Daten und das gewünschte Vorgehen abgestimmt sind, nicht nur als ein Migrations‑ oder Speicherprojekt, das allein der IT übergeben wird.

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