Branchenexperten rücken in Fachbeiträgen und Webinaren eine grundlegende Hürde für künstliche Intelligenz in den Fokus: Daten, die Unternehmen bereits besitzen, aber bislang nicht produktiv einsetzen.
Wie Nick Burling in einem Fachbeitrag für das Wirtschaftsmagazin Forbes darlegt, stellen solche vergessenen Bestandsdaten die größte Schwachstelle bei betrieblichen KI-Vorhaben dar. Während Betriebe hohe Summen in algorithmische Modelle investieren, bleibt das dafür notwendige interne Informationsfundament vielfach unerschlossen.
Mangelnde Datenreife bremst Unternehmensprojekte aus
Die praktischen Konsequenzen dieses Defizits verdeutlicht der Report „State of Enterprise AI Maturity“ des Beratungsunternehmens Further auf Basis einer Befragung von 515 US-amerikanischen KI-Entscheidungsträgern.
Demnach halten lediglich 5 Prozent der Befragten ihre Unternehmensdaten für weitgehend bereit für den KI-Einsatz, während erst 29 Prozent ein formales Daten-Audit abgeschlossen haben. Zwar betrachten 83 Prozent eine umfassende KI-Bereitschaft als Wettbewerbsvorteil, doch verfügen lediglich 3 Prozent über einen dokumentierten Audit-Prozess.
Als wichtigste Ziele nannten 36 Prozent der Befragten Kosteneinsparungen und 25 Prozent Prozessverbesserungen. Gleichzeitig befinden sich 69 Prozent der Unternehmen noch in der Explorations-, Experimentier- oder Implementierungsphase.
Insgesamt 37 Prozent gaben an, eine KI-Initiative innerhalb von zwölf Monaten pausiert, zurückgefahren oder ganz aufgegeben zu haben. Als Hauptursache dafür nannten 24 Prozent mangelnde Datenqualität, gefolgt von fehlender Governance mit 18 Prozent.
Bei den internen Kompetenzen gaben 36 Prozent an, dass ihnen das erforderliche Fachwissen fehle. Strategische Entscheidungen liegen laut dem Further-Report zu 40 Prozent bei IT- und Datenabteilungen und zu 38 Prozent bei der Unternehmensführung, während nur 7 Prozent über ein bereichsübergreifendes Kompetenzzentrum gesteuert werden.
Während sich 79 Prozent strategisch ausgerichtet sehen, fällt es 25 Prozent schwer, Modellergebnisse nachzuvollziehen, wenngleich 82 Prozent prinzipiell angeben, KI-Outputs erklären zu können.
Datenqualität bindet den Großteil der Projektzeit
Branchenbeobachter verweisen darauf, wie gravierend sich Datenfehler im operativen Betrieb auswirken können. Aditya Ranjan von BigDATAwire berichtet, dass 60 bis 70 Prozent der gesamten Projektzeit in die Datenbereinigung fließen.
Als Beispielfall nennt er ein Prognosemodell, das einen Nachfrageanstieg von 400 Prozent für ein Produkt vorhersagte, welches das Unternehmen bereits seit acht Monaten eingestellt hatte. Für verlässliche Resultate seien die Dimensionen Vollständigkeit, Genauigkeit, Konsistenz, Aktualität und die Nachverfolgbarkeit der Datenherkunft unverzichtbar.
Wer die Potenziale von KI-Systemen im Betrieb voll ausschöpfen will, muss auch die rechtlichen Rahmenbedingungen und Fristen der neuen EU-Gesetzgebung kennen. Dieser kostenlose Download verschafft Ihnen den Überblick, den Ihre Rechts- und IT-Abteilung jetzt dringend braucht. EU AI Act in 5 Schritten verstehen
Auch international zeigen sich strukturelle Lücken. Dr. Vishal Gauri verweist in Beiträgen für ETCIO auf Zahlen von Deloitte für das Jahr 2026, wonach der KI-Einsatz bei indischen Befragten bei rund 40 Prozent liege, verglichen mit etwa 28 Prozent weltweit.
Allerdings verfügen laut einer Erhebung von SAP und Oxford Economics lediglich 14 Prozent der indischen Organisationen über die notwendigen Governance-Strukturen für eine Skalierung. Zudem sehen laut EY fast zwei Drittel der Unternehmen Daten-Governance und Sicherheit als sehr schweres Hindernis an.
Rechtliche Vorgaben erhöhen den Druck: Während das indische Data Protection Board voraussichtlich im November Strafbefugnisse erhält, greifen die Pflichten im Rahmen des Datenschutzgesetzes DPDP ab Mai 2027.
Zunahme autonomer KI-Agenten verlangt neue Wissensstrukturen
Die Dringlichkeit geordneter Datenbestände wächst mit dem Übergang zu sogenannten agentischen Systemen. Dan Onions vom Datenanalyse-Spezialisten Quantexa betont, dass Kontext für autonome KI-Agenten entscheidend sei.
Schätzungen zufolge werde ein typisches Großunternehmen bis Ende 2026 bis zu 1.600 solcher Agenten einsetzen. Zudem prognostiziert Gartner, dass im Jahr 2026 rund 40 Prozent der Unternehmensanwendungen über aufgabenspezifische KI-Agenten verfügen werden, gegenüber weniger als 5 Prozent im Jahr 2025.
Da immer mehr KI-Systeme sensible Unternehmensbereiche durchdringen, warnen Experten davor, die neuen Compliance-Vorgaben zu ignorieren. Sichern Sie sich jetzt den kostenlosen Umsetzungsleitfaden zum EU AI Act mit allen relevanten Übergangsfristen für Ihr Unternehmen. Kostenlosen KI-Leitfaden jetzt herunterladen
Laut Onions liegen jedoch 80 bis 90 Prozent des relevanten Geschäftskontexts in isolierten oder unstrukturierten Dateien. Als methodischen Ausweg nennt er Verfahren zur Identitätsauflösung und Wissensgraphen. Kent Stroker von Graphwise führt dazu aus, dass Daten am ursprünglichen Speicherort belassen werden sollten, kombiniert mit einer virtualisierten semantischen Schicht und sichtbarer Herkunft.
Der Einsatz von Wissensgraphen und Ontologien bei der Informationsabfrage reduziere fehlerhafte Modellhalluzinationen. Jan Štihec von Shelf spricht in diesem Zusammenhang von einer zentralen Wahrheitsschicht als verlässlicher, kontrollierter Wissensbasis, in der Ontologien als digitaler Zwilling von Geschäftsprozessen fungieren.
Auch Cloud-Infrastrukturanbieter reagieren auf den wachsenden Bedarf. Neeraja Rentachintala von Google Cloud erklärt, dass autonome Agenten eine aktive Wissensmaschine anstelle rein passiver Datenspeicher verlangen.
Das Modell erfordere Reichweite über offene Speicherarchitekturen hinweg, Kontextprüfungen, maschinengestützte Verarbeitung sowie spezifische Entwicklerwerkzeuge. Ein praktisches Anwendungsbeispiel bilde Yahoo, wo eine verbundene Graph-Grundlage für eine agentische Werbeplattform genutzt werde.
Andi Gutmans von Google ergänzt, dass Agenten Zugriff auf unterschiedlichste Datentypen inklusive Verträgen und Bildern benötigten, abgesichert durch minimale Zugriffsrechte und konsistente Sicherheitsmodelle.
Nach Angaben von Gutmans stieg die Nutzung von Gemini in BigQuery im Jahresvergleich um das Dreißigfache, vor allem bezogen auf unstrukturierte Informationen. Rund 90 Prozent aller Unternehmensdaten hätten zuvor als ungenutzte Daten brachgelegen.