Was ist das tatsächliche Niveau der KI-Daten-Governance?

Letzten Monat habe ich ein Unternehmen zu einem Austausch besucht. Die Präsentationsunterlagen der Gegenseite waren sehr aufwendig gestaltet: Der große Titel lautete „Umfassende Modernisierung der KI-gesteuerten Datenverwaltung“, dazu gab es ein Bild eines großen Verwaltungs-Dashboards, und die PPT umfasste ganze vierzig Seiten.

Ich stellte drei Fragen: Wie hoch ist die Abdeckung der Metadaten-Anmerkungen? Die Antwort lag bei etwa 20 bis 30 Prozent. Wie viele Regeln für die Qualitätsprüfung wurden konfiguriert? Die Antwort: Einige Dutzend, sie werden noch weiter ausgebaut. Wie viele Prozessschritte des Verwaltungsablaufs werden bereits von der KI ausgeführt? Die Gegenseite stockte kurz und antwortete: Derzeit wird sie hauptsächlich für Demonstrationen vor der Unternehmensleitung verwendet.

Man sieht also: Zwischen der „umfassenden Modernisierung“ in der PPT und dem tatsächlichen Niveau in der betrieblichen Praxis klafft eine große Lücke.

In dem heutigen Artikel wollen wir die Verpackung abreißen und das tatsächliche Niveau der KI-Datenverwaltung betrachten – ohne Übertreibungen und ohne abwertende Kritik, nur mit Fakten. Denn nur wenn wir das tatsächliche Niveau klar erkennen, wissen wir, wohin wir im nächsten Schritt gehen sollen.

01 Zuerst unterscheiden: KI-Datenverwaltung umfasst zwei verschiedene Dinge

Viele Menschen sprechen über „KI-Datenverwaltung“ sehr wirr, weil sie nicht erkennen, dass es sich hierbei um zwei völlig unterschiedliche Angelegenheiten handelt.

Erster Punkt: Datenverwaltung für KI. Wenn große Sprachmodelle im Unternehmen eingesetzt werden sollen, müssen sie zuerst mit Daten gefüttert werden. Aber die Anforderungen großer Modelle an Daten unterscheiden sich grundlegend von denen herkömmlicher Berichte: Berichte benötigen strukturierte Zahlen mit einheitlichen Definitionen, während große Modelle unstrukturierte Daten wie Dokumente, Protokolle und Arbeitsaufträge benötigen, die zudem semantisch kontextbezogen und mit Wissenszusammenhängen versehen sein müssen. Kann Ihr bisheriges Verwaltungssystem das bewältigen?

Zweiter Punkt: Datenverwaltung mit KI. Das große Sprachmodell wird als Verwaltungswerkzeug eingesetzt: Es liest Metadaten, generiert Anmerkungen, erkennt Konflikte bei Kennzahldefinitionen, führt automatisch Klassifizierung und Einstufung durch und erstellt Regeln für die Qualitätsprüfung. Diese Sache wird derzeit übermäßig angepriesen, die tatsächlichen Ergebnisse werden wir später im Detail erläutern.

Zwei Dinge, zwei unterschiedliche tatsächliche Niveaus. Nur wenn wir sie getrennt betrachten, können wir sie klar erkennen.

02 Datenverwaltung für KI: Das tatsächliche Niveau ist nicht bestanden

Zuerst zum ersten Punkt. Wenn wir einige branchenweit anerkannte Daten vorlegen, wissen Sie sofort, auf welchem Stand sich die Dinge derzeit befinden.

Eine Untersuchung von KPMG zeigt, dass 66 % der Unternehmen „schwache Datenbasen“ als größte Herausforderung für die Implementierung großer Modelle im Unternehmen bezeichnen – es liegt nicht an untauglichen Modellen oder unzureichender Rechenleistung, sondern daran, dass es an „Brennholz“ unter dem Datenkessel fehlt. Der MIT-Bericht von 2025 geht noch weiter: Rund 95 % der Pilotprojekte für generative KI haben keine messbaren Erträge erzielt, und einer der Hauptgründe für das Scheitern ist genau die unzureichende Vorbereitung der Daten.

Was das konkrete Verwaltungsniveau betrifft, so liegt die Abdeckung der Metadaten-Anmerkungen bei den meisten Unternehmen zwischen 20 % und 50 % – das heißt, für mehr als die Hälfte der Datentabellen kann niemand klar sagen, was sie enthalten, woher die Daten stammen und ob sie verwendbar sind.

Noch gravierender ist es bei unstrukturierten Daten. Mehr als 80 % der gesamten Datenmenge eines Unternehmens sind unstrukturiert – Dokumente, E-Mails, Zeichnungen, Arbeitsaufträge, Sitzungsprotokolle. In den letzten zwanzig Jahren konzentrierte sich die Datenverwaltung von Unternehmen fast ausschließlich auf die weniger als 20 % strukturierten Daten. Genau diese 80 % sind es, die große Modelle am dringendsten benötigen. In der Branche setzt sich zunehmend die Erkenntnis durch: Die Verwaltung unstrukturierter Daten wandelt sich von einer „optionalen Aufgabe“ zu einer „obligatorischen Aufgabe“, aber die überwiegende Mehrheit der Unternehmen hat mit dieser Aufgabe noch gar nicht angefangen.

Es gibt noch einen weiteren, weniger offensichtlichen Mangel: die Semantik. Wenn große Modelle im Unternehmen Fragen falsch beantworten, liegt das in neun von zehn Fällen nicht an der Dummheit des Modells, sondern daran, dass ihm keine „semantische Karte des Unternehmens“ zur Verfügung steht – ein Kunde wird in einem System als „Erste Partei“, in einem anderen als „Kooperationspartner“ und in Finanzbelegen als „Geschäftspartner“ bezeichnet, und niemand teilt dem Modell mit, dass es sich hierbei um dasselbe handelt. Das Fehlen einer semantischen Ebene ist derzeit die größte Lücke in der KI-Datenverwaltung und gleichzeitig die am schwersten zu schließende Lücke.

03 Datenverwaltung mit KI: Sie ist nützlich, aber man sollte sie nicht überhöhen

Nun zum zweiten Punkt. Die Datenverwaltung mit KI ist kein Betrug, in mehreren Prozessschritten wird die Effizienz tatsächlich spürbar verbessert.

Metadaten-Anmerkungen. Früher musste man manuell Tabellen durchsehen und Beschreibungen ausfüllen, für eine Tabelle brauchte man eine halbe Stunde. Jetzt liest das große Modell die Tabellenstruktur, stichprobenartige Daten und kombiniert sie mit den Datenherkunftsbeziehungen stromaufwärts und stromabwärts, um automatisch Beschreibungen der betrieblichen Bedeutung zu generieren. Die Abdeckung der Anmerkungen steigt von 20 %-50 % auf über 90 %, dies wurde bereits in praktizierten Data-Warehouse-Projekten erfolgreich umgesetzt.

Erkennung von Konflikten bei Kennzahldefinitionen. Die KI vergleicht mehrere Tabellen und Definitionen verschiedener Kennzahlen, um Fälle von „gleichem Namen mit unterschiedlicher Bedeutung“ und „gleicher Bedeutung mit unterschiedlichem Namen“ zu finden. In Unternehmens-Data-Warehouses mit oft mehreren zehntausend Tabellen ist dies manuell praktisch nicht machbar. Die KI führt eine Vorauswahl durch, der Mensch nimmt die Bestätigung vor – die Effizienz unterscheidet sich um eine Größenordnung.

Klassifizierung und Einstufung. Aus Gründen der Sicherheit und Compliance muss jede Tabelle und jedes Feld eingestuft werden. Das große Modell liest Feldnamen und Stichprobenwerte, beurteilt vorab die Empfindlichkeitsstufe, und der Mensch überprüft und passt die Einstufung an. Eine Aufgabe, für die früher ein halbes Jahr benötigt wurde, lässt sich so auf wenige Wochen verkürzen.

Aber – und dieses Aber ist wichtig – diese drei Prozessschritte haben eines gemeinsam: Die KI übernimmt nur Aufgaben der „Erkennung“ und „Vorauswahl“, das Recht zur endgültigen Beurteilung und Korrektur liegt weiterhin in der Hand des Menschen. Bei allen Streitigkeiten um betriebliche Kennzahldefinitionen, Zuständigkeiten von Abteilungen und historischen Altlasten bei Daten ist die KI völlig machtlos. Der schwierigste Teil der Datenverwaltung ist nie eine technische Aufgabe, sondern eine organisatorische. In absehbarer Zukunft kann die KI dies nicht ersetzen.

Es gibt noch eine kontraintuitive Tatsache: Die Datenverwaltung mit KI erfordert selbst bereits eine vorhandene Verwaltungsgrundlage. Dass die KI die Bedeutung von Feldern erkennt, setzt voraus, dass die Herkunftsbeziehungen der Daten bereits durchgängig erfasst sind; dass die KI Qualitätsregeln generiert, setzt voraus, dass ein Qualitätsrahmen bereits aufgebaut ist. Unternehmen mit schlechter Verwaltungsgrundlage können auch mit beliebig vielen KI-Werkzeugen nichts ausrichten, wenn die notwendigen Voraussetzungen fehlen. Deshalb ist dasselbe KI-Verwaltungsprodukt in Unternehmen mit guter Datenbasis ein Beschleuniger, in Unternehmen mit schlechter Datenbasis nur eine Dekoration.

04 Eine Selbstbewertungstabelle: Auf welcher Stufe befindet sich Ihre KI-Datenverwaltung?

Wenn wir die beiden oben genannten Angelegenheiten zusammenfassen, lässt sich das tatsächliche Niveau der KI-Datenverwaltung in fünf Stufen einteilen. Vergleichen Sie es: Auf welcher Stufe befindet sich Ihr Unternehmen? Schauen Sie nicht auf Werbematerialien, sondern auf den tatsächlichen Zustand.

Wie sieht die tatsächliche Verteilung in der Branche aus? Ein Satz sagt alles: Die überwiegende Mehrheit der Unternehmen steckt in Stufe L2 fest, wenige Vorreiter erreichen Stufe L3, nur sehr wenige Unternehmen erreichen Stufe L4, und Stufe L5 ist derzeit hauptsächlich ein Konzept in den PPTs der Anbieter. Wenn Ihnen jemand sagt, er habe bereits Stufe L5 erreicht, können Sie ihn fragen: Wie hoch ist die Erfassungsrate Ihrer unstrukturierten Daten? Wie weit ist der Aufbau Ihrer semantischen Ebene fortgeschritten? Höchstwahrscheinlich wird das Gespräch an dieser Stelle enden.

05 Zwischen Werbung und Realität liegen drei häufige Irrtümer

Warum ist die „KI-Datenverwaltung“ so voller Begeisterung, während das tatsächliche Niveau meist auf Stufe L2 liegt? Weil dazwischen drei weitverbreitete Irrtümer stehen.

Irrtum 1: Den Kauf als Aufbau betrachten. Wer eine KI-Verwaltungsplattform gekauft hat, glaubt bereits über KI-Verwaltungsfähigkeiten zu verfügen. Das Werkzeug liegt im Rechenzentrum, aber Prozesse sind nicht angepasst, Mitarbeiter nicht geschult, Bewertungsmaßstäbe nicht geändert, die Abdeckungsrate steigt nicht um einen einzigen Prozentpunkt. Der Moment, in dem der Kauf abgeschlossen ist, ist der Moment, in dem der Aufbau gerade erst beginnt – die umgekehrte Aussage ist richtig: Der Abschluss des Kaufs bedeutet nicht, dass der Aufbau begonnen hat.

Irrtum 2: Die Demonstration als tatsächliche Fähigkeit betrachten. Die Demo des Anbieters ist immer beeindruckend – sie läuft auf sorgfältig vorbereiteten Datensätzen. Wenn man zurück in den eigenen Datensumpf des Unternehmens kommt, funktioniert dieselbe Funktion nur unzuverlässig. Es gibt nur einen einzigen Standard zur Beurteilung der tatsächlichen Fähigkeiten: Die Funktion läuft auf Ihren eigenen Daten, in Ihren eigenen Szenarien und liefert Ihre eigenen Ergebnisse.

Irrtum 3: Das Werkzeug als die gesamte Verwaltung betrachten. Datenverwaltung ist ein systematisches Projekt, das aus Organisation, Regelwerken, Prozessen, Plattformen und Bewertungen besteht. Das KI-Werkzeug ist nur ein kleiner Teil der Plattform. Wenn man erwartet, dass ein einziges Werkzeug alle Probleme der Datenverwaltung löst, ist das so, als würde man von einem guten Auto erwarten, alle Pendlerprobleme zu lösen – wenn die Straße nicht befahrbar ist, man keinen Führerschein hat und kein Benzin tankt, ist das beste Auto nur Dekoration.

06 Von L2 zu L4: Ein praktikabler Weg

Die Bedeutung der Erkennung des tatsächlichen Niveaus liegt nicht darin, entmutigt zu werden, sondern darin, die richtige Laufbahn zu finden. Der Weg nach oben von Stufe L2 ist eigentlich sehr klar.

Erster Schritt: Die strukturierte vorhandene Datenverwaltung solide umsetzen. Lassen Sie sich nicht von der KI aus dem Rhythmus bringen. Die Abdeckung der Metadaten, die Qualität der Stammdaten und die einheitliche Definition von Kennzahlen sind die gleichen grundlegenden Aufgaben, die auch im KI-Zeitalter bewältigt werden müssen. Und jetzt kann die KI Sie dabei sogar beschleunigen – die Verwendung von KI für Metadaten-Anmerkungen und Kennzahlenvergleiche ist die kostengünstigste erste Station: geringer Aufwand, schnelle Ergebnisse, das Team kann gleichzeitig Erfahrungen sammeln.

Zweiter Schritt: Die unstrukturierte Datenverwaltung ausgehend von KI-Anwendungen vorantreiben. Führen Sie keine unstrukturierte Datenverwaltung um ihrer selbst willen durch, sondern richten Sie sich nach den KI-Szenarien: Wenn Sie zuerst einen intelligenten Kundenservice einführen, verwalten Sie zuerst die Kundenservice-Arbeitsaufträge und die Wissensdatenbank. Wenn Sie zuerst eine Vertragsprüfung einführen, verwalten Sie zuerst die Vertragsdatenbank. Bauen Sie Szenario für Szenario auf, sodass jede Investition in die Datenverwaltung in einem sichtbaren betrieblichen Ertrag umgesetzt wird.

Dritter Schritt: Langfristig in den Aufbau der semantischen Ebene investieren. Die einheitliche Definition von Geschäftsobjekten, Geschäftsbegriffen und Kennzahldefinitionen ist die Grundlage dafür, dass die KI „menschliche Sprache verstehen“ kann. Es gibt hier keine Abkürzungen, dies erfordert, dass das Daten-Team und die Fachabteilungen sich Schritt für Schritt abgleichen. Aber dies ist auch ein Wettbewerbsvorteil: Unternehmen, die eine semantische Ebene aufgebaut haben, sind bei jeder KI-Anwendung einen Schritt schneller als andere.

07 Abschließende Bemerkungen

Kehren wir zurück zu dem Unternehmen am Anfang dieses Artikels. Drei Monate nach unserem ersten Austausch haben sie uns erneut eingeladen. Dieses Mal haben wir keine PPT angesehen, sondern direkt die Plattform: Die Abdeckung der Metadaten-Anmerkungen wurde durch KI-Vorauswahl auf 85 % angehoben, die Anzahl der Qualitätsregeln wurde von einigen Dutzend auf über 400 erweitert, und das erste unstrukturierte Szenario wurde für Arbeitsaufträge zur Gerätewartung ausgewählt – weil die Produktionsabteilung dies ständig gefordert hat.

Der Verantwortliche sagte ein ehrliches Wort: Früher haben wir „KI-Datenverwaltung“ als Schlagwort für Berichte verwendet, jetzt verwenden wir es als Arbeitsanweisung für die praktische Arbeit.

Was ist das tatsächliche Niveau der KI-Datenverwaltung? Es ist der Zustand, in dem die meisten Unternehmen gerade erst aus dem Schlamm von L2 herauskommen, die KI sich in den Randbereichen der Datenverwaltung bewährt hat, während der Hauptteil der Verwaltungsarbeit noch Stein für Stein aufgebaut werden muss, und die Werbung der Vorreiterpraxis um zwei Jahre vorauseilt, während die tatsächliche Praxis um zwei Quartale vor den herkömmlichen Berichten liegt.

Dies zu erkennen, ist keine Schande. Eine Schande ist es, das Niveau der PPT als das tatsächliche Niveau auszugeben und das selbst zu glauben.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Daten