KI-Projekte scheitern: Datenbesitz als kritischer Erfolgsfaktor

Die meisten KI-Projekte in deutschen Unternehmen scheitern nicht an technischen Hürden oder fehlendem Budget, sondern an ungeklärten Fragen zum Datenbesitz und Datenzugang.

Warum stocken KI-Projekte im Meeting-Raum?

Das Szenario kennen viele Führungskräfte: Die KI-Roadmap ist ambitioniert und gut finanziert, doch eine scheinbar simple Frage bringt alles zum Stillstand: „Woher kommen die Daten, und wem gehören sie?“ Diese Situation zeigt ein grundlegendes Problem deutscher Unternehmen bei der KI-Implementierung.

Laut einer Studie des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) nutzen nur 8,2 Prozent der deutschen Unternehmen KI-Anwendungen – deutlich weniger als die europäischen Nachbarn. Ein Hauptgrund: die ungeklärte Datenstrategie.

Welche Datenherausforderungen bremsen Unternehmen aus?

Deutsche Konzerne wie SAP oder Siemens haben längst erkannt, dass Datenqualität und -verfügbarkeit entscheidend sind. Kleinere Unternehmen kämpfen hingegen oft mit grundlegenden Fragen:

1. Datenverteilung über verschiedene Systeme und Abteilungen
2. Unklare Eigentumsrechte bei Kundendaten
3. Fehlende Datenstandards und -governance
4. Compliance-Anforderungen der DSGVO
5. Mangelnde Datenqualität für KI-Training

Wie lösen erfolgreiche Unternehmen das Datenproblem?

Die Allianz SE zeigt beispielhaft, wie systematisches Datenmanagement KI-Erfolg ermöglicht. Das Unternehmen investierte zunächst zwei Jahre in die Dateninfrastruktur, bevor KI-Modelle entwickelt wurden.

„Ohne saubere, zugängliche Daten ist jedes KI-Projekt zum Scheitern verurteilt. Wir haben gelernt, dass 80 Prozent der Arbeit in der Datenvorbereitung stecken“, erklärt ein Data Science Manager eines deutschen DAX-Konzerns.

Erfolgreiche Unternehmen beginnen mit einer umfassenden Datenaudit und definieren klare Governance-Strukturen. Henkel beispielsweise etablierte zentrale Data Lakes und standardisierte Schnittstellen, bevor KI-Anwendungen entwickelt wurden.

Welche rechtlichen Aspekte sind zu beachten?

Die DSGVO stellt besondere Anforderungen an KI-Projekte in Deutschland. Unternehmen müssen nicht nur technische, sondern auch rechtliche Datenhoheit sicherstellen. Institute wie die RWTH Aachen forschen an Lösungen für privacy-preserving AI, die deutschen Compliance-Standards gerecht werden.

Wie gelingt der Weg zur datengetriebenen KI-Strategie?

Der Stifterverband empfiehlt einen schrittweisen Ansatz: Zunächst sollten Unternehmen ihre Datenbestände kartieren und Eigentumsrechte klären. Dann folgen technische Standardisierung und die Etablierung einer Data Governance. Erst im letzten Schritt werden KI-Modelle entwickelt und implementiert.

Besonders mittelständische Unternehmen profitieren von externen Beratungspartnern, die bei der Datenaudit und Strategieentwicklung unterstützen.

Fazit

KI-Projekte scheitern selten an der Technologie selbst, sondern an ungeklärten Grundlagen. Deutsche Unternehmen, die frühzeitig in Dateninfrastruktur und Governance investieren, schaffen die Basis für erfolgreiche KI-Implementierungen. Die unbequeme Frage nach dem Datenbesitz sollte nicht das Ende, sondern der Startpunkt jeder KI-Initiative sein.