KI zu skalieren sollte nicht bedeuten, jedes Mal die Datengrundlage neu aufzubauen

Für Unternehmen steht die Planungsphase für 2027 unmittelbar bevor, und KI-Investitionen stehen wieder ganz oben auf der Agenda der Führungsetagen. Eine aktuelle Umfrage von Akeneo unter IT-Entscheidungsträgern ergab, dass 93 % von Produktivitätssteigerungen durch KI berichteten, während 43 % angaben, dass KI zugleich neue Aufgaben in ihrem Arbeitsbereich mit sich gebracht hat.

Diese Ergebnisse verdeutlichen, wie viel Vorarbeit nötig ist, um KI-Projekte umzusetzen. Insbesondere die Datenaufbereitung macht einen erheblichen Teil dieser Arbeit aus. Von den von Akeneo befragten IT-Führungskräften gaben 36 % an, dass ihre Unternehmen mehr als die Hälfte des Gesamtaufwands für ein KI-Projekt in die Datenaufbereitung investieren. Weitere 53 % berichteten, dass sie 26 % bis 50 % des Aufwands für ihr KI-Projekt für die Datenaufbereitung aufwenden. Diese Vorbereitung ist zwar notwendig, doch die Chance besteht darin, die Arbeit, die bei einer KI-Einführung geleistet wurde, auch für die nächste nutzen zu können.

KI kann in einem Unternehmensbereich Arbeit überflüssig machen und zugleich für IT-Teams neue Aufgaben schaffen, wenn sie Daten aufbereiten und für jede neue Einführung den Kontext wiederherstellen. Die Chance besteht jetzt darin, mehr dieser Arbeit wiederverwendbar zu machen, damit jede Einführung auf der vorherigen aufbaut, statt von vorn zu beginnen.

Der Mensch im Mittelpunkt der KI

Menschen spielen bei allen KI-Pilotprojekten und -Einführungen weiterhin eine zentrale Rolle. IT-Teams sind während des gesamten Lebenszyklus neuer Technologien eingebunden: vom Verständnis der Geschäftsanforderungen und der Bewertung von Lösungen über die Implementierung, Schulungen und Prozessentwicklung bis hin zur laufenden Sicherheit. Im Laufe der Zeit versäumen es Teams möglicherweise, die Ausnahmen und ungeschriebenen Regeln zu dokumentieren, auf die sie stoßen – etwa wenn derselbe Begriff in verschiedenen Systemen unterschiedlich definiert ist. Dieser Kontext wird häufig zu institutionellem Wissen, das einzelne Teammitglieder besitzen, statt zu Informationen, auf die das gesamte Unternehmen zuverlässig zugreifen kann.

Diese Arbeit kann so lange weitergehen, bis die Person, die die Antwort kennt, nicht mehr verfügbar ist. Wechseln Beschäftigte ihre Rolle, verlassen sie das Unternehmen oder sind sie bei einem auftretenden Problem einfach nicht erreichbar, geht der Kontext verloren. Wird dieses Wissen strukturiert und digital zugänglich festgehalten, steht es über die einzelne Person hinaus zur Verfügung. So können einzelne Teams ihr Fachwissen weiterhin selbst verantworten und zugleich sicherstellen, dass das Wissen im gesamten Unternehmen zugänglich ist und wiederverwendet werden kann, statt es bei jeder neuen Einführung erneut ermitteln zu müssen.

Gute Daten sind nicht immer KI-tauglich

Es liegt nahe, all dies als weiteres Problem der Datenqualität zu bezeichnen, doch die Forschung von Akeneo deutet auf eine komplexere Sachlage hin. 92 % der IT-Führungskräfte bewerten die Produkt- und Betriebsdaten, die ihre KI-Systeme nutzen, als gut oder ausgezeichnet. Obwohl die große Mehrheit mehr als ein Viertel des Gesamtaufwands eines KI-Projekts für die Datenaufbereitung aufwendet.

Gute Daten sind nicht zwangsläufig KI-tauglich, zumal es davon abhängen kann, wer oder was sie nutzt, was überhaupt als „gut“ gilt. Modelle und Agenten benötigen mehr als nur korrekte Informationen. Sie müssen wissen, woher die Daten stammen, wie sie mit anderen Informationen zusammenhängen, welche Quelle Vorrang hat und unter welchen Bedingungen sie verwendet werden dürfen. Diese Regeln werden leicht übersehen, weil sie in der täglichen Arbeit erfahrener Teams oft unausgesprochen bleiben.

Auch aktuelle Untersuchungen von McKinsey zur KI-Tauglichkeit von Daten unterstreichen die Bedeutung des Kontexts. Nicht alle Informationen sind für Modelle oder Agenten wertvoll. Sind Informationen jedoch wertvoll, muss sich ihr Kontext mitübertragen lassen. Sobald Informationen ihre ursprüngliche Quelle verlassen, müssen ihre Herkunft und ihre Beziehungen zu den umgebenden Daten klar erkennbar bleiben, damit ihre Bedeutung nicht verloren geht.

Hier wird die Architektur hinter der KI ebenso wichtig wie das Modell selbst. Anders als herkömmliche Software können LLMs oft mit fragmentierten Daten und voneinander getrennten Systemen arbeiten, selbst wenn Informationen in verschiedenen Quellen unterschiedlich strukturiert oder gekennzeichnet sind. Sie können Beziehungen erkennen, die zuvor möglicherweise nicht ausdrücklich definiert wurden. Die größere Herausforderung ist, wenn Daten überhaupt nicht vorhanden sind. Wenn Modelle und Agenten systemübergreifend arbeiten, müssen die benötigten Informationen und der erforderliche Kontext zunächst einmal vorhanden und zugänglich sein.

Eine Studie von PwC aus dem Jahr 2026 zur Umsetzungslücke bei KI ergab, dass die Integration weiterhin der Hauptgrund dafür ist, dass Technologieinvestitionen hinter den Erwartungen zurückbleiben. Die Verknüpfung eines weit verzweigten Netzes unstrukturierter Daten braucht Zeit und verzögert Projekte häufig, bevor sie vollständig eingeführt werden.

Die Arbeit, die nötig ist, um diese Probleme bei einer Implementierung zu lösen, kann die nächste Implementierung erleichtern.

KI-Infrastruktur wiederverwendbar machen

Bei einem einzelnen KI-Projekt kann ein Großteil dieser Vorbereitungen im Hintergrund ablaufen. IT-Teams beheben Inkonsistenzen, bereiten die von einer Anwendung benötigten Informationen auf und integrieren die Anwendung in andere Systeme, damit das Projekt in den Produktivbetrieb überführt werden kann.

Problematisch wird es, wenn diese Arbeit nur den unmittelbaren Anwendungsfall löst. Die Datenaufbereitung wird immer Teil der Einführung von KI sein, doch ein großer Teil des Aufwands sollte auch künftigen Projekten zugutekommen. Stellt ein Team fest, dass dasselbe Feld oder derselbe Begriff in zwei Systemen unterschiedliche Bedeutungen hat, sollte die Klärung dieser Mehrdeutigkeit zu einer Definition führen, die künftige Anwendungen wiederverwenden können. Ermittelt das Team, welcher Quelle zu vertrauen ist, wenn Systeme widersprüchliche Angaben machen, sollte diese Entscheidung auch für künftige Einführungen gelten.

Dasselbe Prinzip gilt für Integrationen. Statt für jedes Modell oder jeden Agenten einen neuen Zugang zu Produkten und Informationen zu schaffen, sollten Unternehmen einheitliche Wege einrichten, über die KI-Systeme vertrauenswürdige Informationen finden und nutzen können.

Die erste Implementierung kann weiterhin erheblichen Aufwand erfordern, weil Teams Definitionen, Zusammenhänge und Ausnahmen aufdecken, die bisher in den Erfahrungswerten einzelner Personen verankert waren. Dieser Aufwand kann sich bei späteren Implementierungen auszahlen, wenn institutionelles Wissen zunehmend Teil der Infrastruktur des Unternehmens wird. Aufeinanderfolgende Implementierungen können von dieser Arbeit profitieren. Wie groß der Nutzen ist, hängt davon ab, wie viele Gemeinsamkeiten es bei ihren Daten und Anwendungsfällen gibt.

Das wird immer wichtiger, da KI nicht mehr nur Antworten generiert, sondern zunehmend auch Aktionen über unternehmensweite Systeme hinweg ausführt. Die Initiative des NIST für Standards für KI-Agenten unterstreicht, wie wichtig es ist, dass Agenten sicher mit internen Daten und externen Systemen interagieren können. Wenn Agenten mehr Verantwortung übernehmen und mit mehr Systemen und Modellen interagieren, müssen Unternehmen sicherstellen, dass für jeden Anwendungsfall der passende Kontext und die erforderlichen Kontrollen vorhanden sind, ohne alles vollständig neu aufsetzen zu müssen.

Governance muss Teil der Umgebung werden

Wiederverwendbare Infrastruktur erfordert auch wiederverwendbare Governance. Die EY-Umfrage zu KI-Risiken und Governance vom September 2026 ergab, dass 91 % der leitenden KI-Verantwortlichen angaben, ihre Unternehmen würden agentische KI erproben oder einsetzen. Zugleich erklärten 49 % der Befragten, deren Unternehmen Agenten nutzen, dass ihre bestehenden Governance-Rahmenwerke nicht gezielt an die Anforderungen und Risiken agentischer KI angepasst worden seien.

Wenn KI innerhalb eines Geschäftsprozesses mehr Verantwortung übernimmt, müssen die Regeln für diesen Prozess Teil der Umgebung werden, in der die KI arbeitet. Ein Agent kann möglicherweise eigenständig auf bestimmte Informationen zugreifen, während an anderen Stellen im Prozess eine menschliche Prüfung oder Genehmigung erforderlich sein kann, bevor er fortfahren darf. Diese Entscheidungen dürfen nicht allein in einem Richtliniendokument oder im Verständnis einer Person davon verbleiben, wie der Prozess eigentlich ablaufen soll.

Governance-Entscheidungen müssen über interne Prüfungen hinausgehen und in die Systeme einfließen, in denen KI eingesetzt wird. Die Richtlinien, Berechtigungen und Genehmigungsschritte, an denen sich ein System orientiert, sollten bereits im Rahmen der Bereitstellung festgelegt werden. Sind diese Kontrollen nicht im System verankert, müssen Teams Richtlinien und Berechtigungen bei jeder neuen Bereitstellung eines KI-Anwendungsfalls erneut auslegen.

Vorbereitung auf die nächste KI-Welle

Wenn Unternehmen 2027 ihre wachsenden KI-Budgets einsetzen, werden IT-Teams für eine stetig größere Zahl von Modellen, Integrationen und Systemen verantwortlich sein. Die größere Herausforderung wird darin bestehen, eine Infrastruktur aufzubauen, die auch das unterstützen kann, was als Nächstes kommt.

Wenn Teams immer noch dieselben Definitionen klären, dieselben Verbindungen neu aufbauen und dieselben Regeln übertragen müssen, könnte KI schneller wachsen als die Infrastruktur, die sie unterstützen soll.

Das eröffnet eine andere Perspektive auf die KI-Bereitschaft. Fortschritt sollte nicht allein daran gemessen werden, wie viele Modelle oder Agenten in den Produktivbetrieb gelangen, sondern auch daran, ob jede Implementierung das Unternehmen besser auf die nächste vorbereitet.

KI beschleunigt bereits einzelne Aufgaben. Der nächste Produktivitätsschub wird dadurch entstehen, dass sich die Arbeit hinter diesen Systemen leichter wiederverwenden lässt. KI wird zunehmend in Geschäftsprozesse eingebettet, sodass mehr Systeme auf dieselben Datengrundlagen angewiesen sind. Wie leicht Unternehmen die nächste Generation von KI einsetzen können, wird davon abhängen, ob sie diese Grundlagen jetzt schaffen.