„KI-ready“ ist nicht dasselbe wie „Data-Warehouse-ready“.
KI ist nur so gut wie die Daten, auf denen sie arbeitet.
Ein klassisches Data Warehouse stellt Daten für definierte Reports und Analysen bereit. KI-Anwendungen brauchen darüber hinaus den passenden Kontext.
- Was bedeuten die Daten?
- Woher kommen sie?
- Wofür dürfen sie verwendet werden?
- Welche Regeln gelten?
KI-ready ist immer für einen bestimmten Zweck ready, nie pauschal. Gartner prognostiziert, dass bis Ende 2026 rund 60 % der KI-Projekte ohne ausreichende KI-taugliche Datenbasis aufgegeben werden. Quelle
Das Zielbild
- Einheitliche Begriffe
- Kennzahlen wie Umsatz oder Marge sind einheitlich definiert und maschinenlesbar.
- Verlässliche Stammdaten
- Bereinigt und mit einem Verantwortlichen.
- Datenprodukte
- Fachlich geschnitten, mit Owner und Qualitätsversprechen.
- Kontext und Herkunft
- Nachvollziehbar, woher ein Wert kommt und wie er berechnet ist.
- Erschlossene Dokumente
- Verträge und Richtlinien auffindbar und mit Stammdaten verknüpft.
- Berechtigungen
- Zugriffsrechte gelten auch für die KI.
Woran es meist scheitert
- Datenqualität gilt als IT-Thema. Schlechte Daten entstehen in den Fachprozessen. Ohne Verantwortliche im Fachbereich hält keine Bereinigung lange.
- Kennzahlen sind politisch. Eine einheitliche Definition bedeutet, dass ein Bereich seine bisherige Sicht aufgibt. Das ist eine Führungsentscheidung.
- Parallele Großprojekte. Die S/4HANA-Migration bindet Kapazität, ist aber zugleich die beste Gelegenheit, Daten richtig aufzustellen.
Anwendungsfall zuerst, nicht Daten zuerst.
Datenarbeit wird an zwei, drei konkrete KI-Anwendungsfälle mit messbarem Nutzen gekoppelt. So gibt es von Beginn an einen sichtbaren Ertrag statt eines Kostenblocks.Der Weg dahin
Readiness-Check
Mit der Geschäftsführung zwei, drei KI-Anwendungsfälle festlegen und die Datenlage genau dafür bewerten: Begriffe, Stammdaten, Herkunft, Berechtigungen.
ErgebnisReifegrad je Dimension, Lückenliste und Business Case
Fundament legen
Begriffe, Stammdaten und Datenprodukte genau für diese Anwendungsfälle herstellen, nicht für alle Daten auf einmal.
ErgebnisDer erste Anwendungsfall läuft produktiv auf belastbaren Daten
Verantwortung verankern
Data Owner in den Fachbereichen, Qualitätskennzahlen und Freigaben in der Organisation. Läuft parallel zum Fundament.
ErgebnisDatenqualität wird gesteuert, nicht nur bereinigt
Skalieren
Weitere Anwendungsfälle nutzen dieselben Datenprodukte. Jeder weitere Fall wird dadurch günstiger und schneller.
ErgebnisEine Datenbasis, die mit den Anwendungsfällen wächst
Auch für BeteiligungenAls Baustein einer IT-Due-Diligence oder im Wertsteigerungsplan nach dem Kauf.