AI Data Strategy
Warum KI ohne deine Daten nur halb funktioniert — und wie du sie integrierst
Modelle bringen Sprache und Wissen mit — aber nichts von eurem Unternehmen. Diese Seite zeigt, was KI von allein kann, welche Datenwege es gibt, wie eure Daten heute wirklich liegen — und wo ihr anfangen solltet.
Die Ausgangslage
Was KI-Modelle von allein können — und was nicht
Bevor es um Daten geht, lohnt ein ehrlicher Blick auf das Modell selbst. Der Unterschied zwischen Können und Grenzen erklärt, warum Integration kein Detail ist, sondern der Kern.
Das können Modelle von allein
- ✓
Sprache und Wissen
Modelle verstehen und erzeugen Sprache, fassen zusammen, übersetzen, schreiben Code und rufen Allgemeinwissen aus dem Training ab.
- ✓
Strukturieren und Extrahieren
Sie sortieren, kategorisieren und ziehen das Wesentliche aus langen Texten — auch aus unaufgeräumten Vorlagen.
- ✓
Ideen und Entwürfe
Sie liefern erste Versionen, Alternativen und Denkanstöße, an denen Menschen weiterarbeiten können.
Das können sie nicht ohne Zutun
- ✕
Kein Zugriff auf eure Daten
CRM, ERP, Dokumente, Systeme — all das liegt außerhalb des Modells. Ohne Integration kennt es euer Unternehmen nicht.
- ✕
Kein aktueller Wissensstand
Der Wissensstand ist im Training eingefroren. Was heute passiert, weiß das Modell nicht — es sei denn, ihr gebt es ihm.
- ✕
Kein Handeln in euren Systemen
Ohne Tools und Schnittstellen kann KI nichts auslösen: kein Ticket, kein Update, kein Abruf. Sie antwortet nur.
- ✕
Raten statt Wissen bei Lücken
Ohne Kontext füllt das Modell Lücken mit dem, was wahrscheinlich klingt. Deshalb braucht es eure Daten als Anker.
Alles, was euer Unternehmen ausmacht, liegt außerhalb des Modells. Der Wert von KI entsteht nicht im Modell — sondern in der Verbindung mit euren Daten.
Die Datenwege
Wie Daten in euer KI-System fließen
Es gibt fünf Wege, Daten mit KI zu verbinden — vom direkten Prompt bis zum Agenten, der selbst zugreift. Jeder Weg hat andere Kosten, andere Kontrollfragen und anderen Nutzen. Klick dich durch:
Eure DatenSilos, Dokumente, Systeme
Der DatenwegKontext aus Quellen
Euer KI-SystemAntwort oder Handlung
Kontext aus Quellen
RAG / GraphRAG
Das System holt zur Laufzeit relevante Inhalte aus Quellen wie SharePoint, DMS oder Wissensgraphen und gibt sie dem Modell als Kontext mit. So entstehen Antworten auf dem Stand eurer Dokumente — mit Zitierbarkeit.
Wann sinnvoll
Der Standardweg für Wissensarbeit: interne Quellen anbinden, ohne das Modell selbst zu verändern.
Der Blick in den Spiegel
So liegen Daten in Organisationen wirklich vor
Die Theorie ist sauber. Die Praxis sieht anders aus. Diese sechs Muster beschreiben die Datenrealität der meisten Organisationen — und sie erklären, warum KI-Integration kein Selbstläufer ist.
Daten in Silos
CRM, ERP, DMS, Excel — die Daten liegen verteilt, und niemand hat den Gesamtüberblick.
Excel als Gedächtnis
Das operative Wissen lebt in Tabellen ohne Struktur, ohne Versionierung, ohne gemeinsame Bedeutung.
Feldnamen mit Mehrdeutigkeit
„Kundenwert“ bedeutet in Vertrieb, Finanzen und Marketing unterschiedliche Dinge — jede Auswertung interpretiert neu.
Monatsstände für Berichte
Daten werden für Reporting-Zyklen aktualisiert, nicht für Entscheidungen im Moment.
Zugriff nur über Menschen
Jeder Datenabruf braucht eine Person, ein Ticket, einen Export. Systeme haben keinen direkten Weg.
Governance als E-Mail-Bitte
Regeln existieren als Bitte und Hoffnung — nicht als technisch durchgesetzte Grenze.
Das Data Quality Paradox
Gute Nachricht: Ihr müsst nicht erst aufräumen
Die alte Regel „erst saubere Daten, dann KI“ stimmt nicht mehr uneingeschränkt. Auch unperfekte Daten erzeugen Wert, wenn die Verknüpfungslogik stimmt — und Qualitätsprobleme zeigen sich im Betrieb deutlicher als im Vorab-Audit.
Konkret heißt das: Statt ein Aufräum-Projekt vorzuschalten, starten Organisationen mit den Daten, die sie haben — und decken dabei genau die Qualitätsprobleme auf, die wirklich stören. Ein Detail bleibt wichtig: Das Paradox gilt für Kontextdaten. Bei Trainingsdaten entscheidet Qualität weiterhin über das Ergebnis.
Die vier Datenfragen
Zugänglichkeit, Struktur, Aktualität, Governance
Die Datenwege werden konkret, wenn vier Fragen beantwortet sind. Sie entscheiden, ob KI-Projekte von Piloten zu skalierenden Systemen werden — und sie sind die Messlatte, an der Datenfragen im KI-Kontext bewertet werden sollten.
Zugänglichkeit
Können KI-Systeme die Daten tatsächlich erreichen?
Für Menschen heißt Zugang: Dashboard öffnen, Bericht anfordern, Excel exportieren. Für KI-Agenten heißt Zugang: technische Schnittstelle, die sie selbst bedienen können — ohne Ticket, ohne manuellen Export, ohne dass ein Mensch dazwischensteht.
Daran erkennst du, dass es fehlt
„Wir haben die Daten ja“ — aber jeder Abruf braucht einen Menschen, ein Export-Skript oder eine manuelle Freigabe. Agenten können nichts anfassen.
Der Vor-AI-Abweg
Zugang aus der Perspektive bewerten, was ein deterministischer Prozess oder ein menschlicher Experte braucht: sauber, dokumentiert, durch Menschen geprüft. Die falsche Messlatte für Systeme, die Unschärfe tolerieren und Kontext kombinieren.
Struktur & Semantik
Verstehen die Systeme, was die Daten bedeuten?
Agenten brauchen nicht nur Zeilen und Spalten, sondern Kontext: Was bedeutet dieses Feld? Wie hängt es mit anderem zusammen? Welche Einheit, welcher Zeitraum, welche Qualitätseinschränkung? Semantik ist die Brücke zwischen rohen Daten und nutzbarem Wissen.
Daran erkennst du, dass es fehlt
Feldnamen wie „Kundenwert“ bedeuten in Vertrieb, Finanzen und Marketing unterschiedliche Dinge. Jedes Team hat seine eigene Logik — und jedes KI-System lernt sie einzeln neu oder falsch.
Der Vor-AI-Abweg
„Erst die Daten aufräumen, dann KI starten.“ Datenqualität als Vorab-Bedingung statt als Ergebnis des Betriebs. Das Data Quality Paradox zeigt: Auch unperfekte Daten erzeugen Wert, wenn die Verknüpfungslogik stark ist.
Aktualität
Arbeiten die Systeme mit dem Stand von jetzt?
Deterministische Prozesse kommen mit dem Monatsstand klar. KI-Agenten treffen Entscheidungen im Moment — veralteter Kontext erzeugt selbstsichere, aber falsche Antworten. Aktualität ist keine Komfortfrage, sondern eine Qualitätsfrage.
Daran erkennst du, dass es fehlt
Daten werden monatlich oder quartalsweise aktualisiert, weil „das für die Berichte reicht“. Kein System liefert laufend neue Daten an KI-Anwendungen.
Der Vor-AI-Abweg
Aktualität als technisches Detail abtun („Batch reicht“). Für Berichte mag das stimmen — für agentische Systeme, die selbstständig handeln, entscheidet der Datenstand über richtig oder falsch.
Governance
Wer darf ein KI-System mit welchen Daten was tun?
Governed Data heißt: Zugriffsregeln, Herkunft und Nutzungsgrenzen sind technisch durchgesetzt — nicht erbeten. Ein Agent darf genau die Daten nutzen, für die er berechtigt ist, und das ist protokolliert. Architektur-Prinzip, kein Bürokratie-Projekt.
Daran erkennst du, dass es fehlt
Zugriff wird über Berechtigungsgruppen und „bitte vorsichtig behandeln“-E-Mails geregelt. Niemand weiß, welcher Agent welche Daten gesehen hat.
Der Vor-AI-Abweg
Governance als Projekt vor dem KI-Start: erst Konzepte, Gremien, Freigaben — dann Technik. In der Praxis entstehen so isolierte Inseln: gute Demos, keine Skalierung, weil jede Freigabe manuell bleibt.
Typische Abwege
Vier Denkmuster, die Daten-Projekte blockieren
Sie scheitern selten an der Technik — sondern an der Perspektive, mit der wir Daten aus der Vor-AI-Zeit betrachten.
„Erst aufräumen, dann KI starten“
Der Abweg
Das Data Quality Paradox widerlegt die Reihenfolge: Auch unperfekte Daten erzeugen Wert, wenn die Verknüpfungslogik stimmt. Der Betrieb deckt Qualitätsprobleme dort auf, wo sie wirklich stören — nicht das Vorab-Audit.
Stattdessen
Dual Track: mit den aktuellen Daten Wert holen und parallel aufräumen — statt erst ein Aufräum-Projekt zu starten.
Datenqualität wie in der BI-Welt messen
Der Abweg
Vollständig, korrekt, aktuell — gemessen an dem, was ein Bericht oder ein menschlicher Experte braucht. Das misst am falschen Maßstab: Agenten brauchen Kontext und Zugriff, nicht Perfektion.
Stattdessen
Fragen: Erreicht das System die Daten? Versteht es die Bedeutung? Ist der Stand aktuell genug für die Entscheidung?
Datenzugang für Menschen bauen statt für Agenten
Der Abweg
Dashboards, Exporte, „bei Bedarf anfordern“. Das ist Zugänglichkeit für menschliche Nutzung — nicht für Systeme, die selbstständig arbeiten.
Stattdessen
API-First: Systeme agentenlesbar bauen. Neue Systeme mit sauberen Schnittstellen, bestehende über ein Standard-Protokoll wie MCP anbinden.
Governance als nachgelagerte Bürokratie
Der Abweg
Erst Technik, dann Konzepte, Gremien und Freigaben obendrauf. Ergebnis: Kontrolle ist erbeten statt durchgesetzt, und jede Skalierung wird manuell.
Stattdessen
Automatisierte Kontrollen als Teil der Architektur: Zugriffsregeln und Protokollierung technisch eingebaut — bevor der vierte Agent dazukommt.
Die Datenarchitektur
Vier Pfade, Daten zu organisieren
Die vier Datenfragen beantworten das „Ob“ — diese Pfade das „Wie“: Wie Daten organisiert, besessen und zugänglich gemacht werden. Jeder Pfad baut auf zwei Basen auf: einer belastbaren Datenbasis (Quellen, Qualität, Zugriff, Klassifikation) und einer Semantic / Context Layer (Business-Begriffe, Metriken, Bedeutung).
Zentrale AI Data Platform
- Stärke
- Einheitliche Governance, Standards, Zugriff und Betriebsfähigkeit.
- Risiko
- Kann zum Bottleneck oder Plattform-Monolithen werden.
- Passt, wenn
- Frühe Reife, wenige Domänen, hoher Standardisierungsbedarf.
Data Fabric
- Stärke
- Aktive Metadaten, Lineage, Katalog, Policies und Zugriff über verteilte Quellen.
- Risiko
- Funktioniert nur mit guter Metadatenqualität und klaren Policies.
- Passt, wenn
- Wenn Daten verteilt bleiben, aber auffindbar, governbar und nutzbar werden müssen.
Data Mesh
- Stärke
- Domänen besitzen Datenprodukte, Qualität, Semantik und SLAs.
- Risiko
- Ohne gemeinsame Standards entsteht Fragmentierung.
- Passt, wenn
- Wenn Fachdomänen viel Kontext haben und zentrale Teams zum Engpass werden.
Hub-and-Spoke
- Stärke
- Zentrale Standards und Guardrails plus lokale Ownership und Delivery.
- Risiko
- Unklare Zuständigkeit, wenn Hub und Spokes nicht sauber getrennt sind.
- Passt, wenn
- Wenn AI skalieren soll, ohne zentrale Plattform zum alleinigen Flaschenhals zu machen.
Data Fabric ≠ Microsoft Fabric ≠ Fabric AI
Data Fabric ist ein Architekturansatz. Microsoft Fabric ist eine konkrete Plattform. Fabric AI von Daniel Miessler ist ein Open-Source-Framework für AI-Workflows und Prompt-Patterns.
Data Mesh ist kein Tool
Data Mesh ist ein Ownership-Modell. Domänen übernehmen Verantwortung für Datenprodukte. Technologie unterstützt diese Logik, ersetzt sie aber nicht.
Die KI-Architektur-Ebene
Für die Umsetzung: Wie Systeme zusammenspielen
Wer die vier Datenfragen beantwortet hat und in die Umsetzung geht, braucht die nächste Ebene: Wie verbinden, steuern und kontrollieren wir KI-Systeme? Die KI-Architektur zeigt das Set der Möglichkeiten — von Verbindung über Steuerung bis Plattform und Kontrolle.
Zur KI-Architektur-Ebene →Abgleich für deine Organisation
Wo steht ihr bei den vier Datenfragen?
Eine halbe Stunde, ehrliche Antworten. Danach weißt du, wo ihr steht — und wo ihr anfangen solltet.
Zugänglichkeit
- →Welche Systeme kann ein KI-Agent heute ohne menschliche Hilfe erreichen?
- →Wo endet jeder Zugriff in einem manuellen Export oder einer Freigabe?
- →Welche zwei Systeme würden am meisten gewinnen, wenn sie per API ansprechbar wären?
Struktur & Semantik
- →Wo bedeutet dasselbe Feld in verschiedenen Teams unterschiedliche Dinge?
- →Gibt es eine gemeinsame Bedeutungsebene (Glossar, Datenmodell), oder lebt jedes Team seine eigene Logik?
- →Welche Datenquelle verstehen deine KI-Anwendungen heute schon richtig — und welche nur „ungefähr“?
Aktualität
- →Wie alt sind die Daten, auf denen deine wichtigste KI-Entscheidung basieren würde?
- →Welche Prozesse würden von täglicher statt monatlicher Aktualität wirklich profitieren?
- →Wo wäre veralteter Kontext gefährlich — nicht nur unkomfortabel?
Governance
- →Weißt du, welche Daten ein Agent heute sehen darf — und wer das durchsetzt?
- →Ist deine Zugriffskontrolle technisch erzwungen oder organisatorisch erbeten?
- →Wäre protokolliert, welcher Agent welche Daten genutzt hat?
Und dann?
Die Dimension mit den meisten „Nein“-Antworten ist euer Startpunkt — nicht die mit den meisten Datenproblemen.
- Zugänglichkeit zuerst: Ein Pilot, bei dem ein Agent per Standard-Protokoll (z. B. MCP) auf ein echtes System zugreift — statt Punkt-zu-Punkt-Integrationen zu bauen.
- Danach Semantik: Für genau die Datenquellen aus dem Pilot klären, was die Felder bedeuten.
- Dann Aktualität: Den Datenstand der Pilot-Quelle auf den Entscheidungsrhythmus heben.
- Governance parallel: Zugriffsregeln und Protokollierung für den Pilot technisch einbauen — bevor weitere Agenten dazukommen.
Entscheidungshilfe
Sechs Fragen, bevor Tools entschieden werden
- Müssen Daten physisch zentralisiert werden oder reicht governter Zugriff?
- Gibt es Domänen, die Datenprodukte wirklich besitzen können?
- Gibt es einen AI Registry oder Solution Catalog?
- Gibt es ein Lifecycle-Modell nach Deployment?
- Gibt es Runtime Policies für Agents und automatisierte Workflows?
- Sind Semantik und Business-Begriffe zentral genug geklärt?
Weiterführende Pfade
Das hängt mit diesen Themen zusammen
Data Quality Paradox
Warum „erst aufräumen, dann KI“ der falsche Weg ist — und was KI-Systeme mit unsauberen Daten heute schon leisten können.
Weiterlesen →KI-Architektur: Wie Systeme zusammenspielen
Die Möglichkeiten, KI-Systeme zu verbinden, zu steuern, zu betreiben und zu kontrollieren — und wo Entscheidungen anstehen.
Weiterlesen →Wie GenAI mit Daten arbeitet
Die operative Landkarte für LLM-Nutzung, RAG, Training, Agenten und Kontrolle.
Weiterlesen →AI Data Platforms
Databricks, Snowflake und Fabric als unterschiedliche Antworten auf Daten, Semantik, Governance und Betrieb.
Weiterlesen →Data Governance & KI
Welche Governance-Fragen entstehen, wenn Daten Training, Kontext, Feedback und Risiko werden?
Weiterlesen →AI Operating Model
Wie verankert eine Organisation AI in Strategie, Rollen, Governance, Use Cases und Betrieb?
Weiterlesen →MLOps
Warum AI-Prototypen im Betrieb andere Qualitäts-, Monitoring- und Lifecycle-Fragen erzeugen.
Weiterlesen →Agentic AI
Warum handelnde AI-Systeme Zugriff, Kontext, Tools und Runtime-Governance brauchen.
Weiterlesen →