Datenschatz heben: Wie Unternehmen KI richtig nutzen

Der Schatz liegt in den Daten – doch viele Unternehmen in Deutschland graben nicht richtig danach. Während künstliche Intelligenz in Wirtschaft und Politik als Treiber von Effizienz und Wettbewerbsfähigkeit gehandelt wird, offenbaren aktuelle Studien ein strukturelles Kernproblem: Firmen investieren Millionen in KI-Systeme, verfügen aber häufig nicht über die notwendigen Datengrundlagen, um diese sinnvoll einzusetzen. Datenmanagement ist die unglamouröse, aber unabdingbare Voraussetzung für jeden erfolgreichen KI-Einsatz – und genau hier trennen sich Gewinner von Verlierern.

Das ifo Institut hat in einer kürzlich veröffentlichten Befragung von über 1.000 Unternehmen ermittelt, dass rund 60 Prozent der befragten Betriebe KI-Projekte planen oder bereits durchführen – aber nur jedes dritte Unternehmen ein strukturiertes Datenmanagement-System betreibt. Ein Missverhältnis, das bremst und kostet. Unternehmen ohne solide Datengrundlage scheitern bei KI-Implementierungen häufig nicht an fehlender Technologie, sondern daran, dass qualitativ minderwertige oder unvollständige Daten zu unbrauchbaren Ergebnissen führen. Garbage in, garbage out – dieser alte IT-Grundsatz gilt für KI-Systeme mehr denn je.

Die Bundesbank warnt in ihrem jüngsten Konjunkturbericht vor einer digitalen Zwei-Klassen-Gesellschaft: Große, kapitalstarke Konzerne mit etablierten IT-Abteilungen schaffen es, ihre Datenbestände zu mobilisieren und produktiv zu nutzen. Mittelständische Unternehmen und kleinere Betriebe drohen hingegen, den Anschluss zu verlieren – nicht wegen mangelnder Bereitschaft, sondern wegen struktureller Ressourcenengpässe. Das ist kein isoliertes Effizienzproblem, sondern eine Wettbewerbsfrage mit gesamtwirtschaftlichen Folgen.

Der Datenschatz als Wettbewerbsvorteil

Was macht Datenmanagement so entscheidend? Die Antwort ist im Kern einfach: Künstliche Intelligenz ist, technisch betrachtet, ein hochentwickeltes System zur statistischen Mustererkennung. Je besser, konsistenter und vollständiger die zugrundeliegenden Daten, desto präziser die Vorhersagen, desto relevanter die Handlungsempfehlungen, desto effizienter die Automatisierungen. Wer bei den Daten spart, spart an der falschen Stelle.

Ein konkretes Beispiel aus dem Einzelhandel und der laufenden Digitalisierung: Ein Modeunternehmen setzt KI zur Bestandsverwaltung und Nachfrageprognose ein. Sind die zugrundeliegenden Daten schlecht gepflegt – fehlerhafte Bestandszahlen, inkonsistente Kategorisierungen, lückenhafte Absatzhistorien – wird das System systematisch falsch liegen. Die Folge sind Überbestände bei unrentablen Produkten, Unterbestände bei gefragten Artikeln und sinkende Margen. Mit sauberen, strukturierten Daten hingegen lassen sich Lagerkosten senken, Lieferfähigkeit steigern und Abschriften reduzieren. Der Unterschied ist messbar – und oft erheblich.

Laut einer Auswertung von Statista investieren deutsche Unternehmen derzeit durchschnittlich 3,2 Prozent ihres IT-Budgets direkt in KI-Technologien, aber nur etwa 1,1 Prozent in Datenmanagement und Datenqualität. Dieses Ungleichgewicht ist symptomatisch. Branchenexperten schätzen, dass bis zu 40 Prozent aller KI-Projekte hinter ihren Erwartungen zurückbleiben – nicht wegen technischer Schwächen der eingesetzten Systeme, sondern wegen unzureichender Datenvorbereitung im Vorfeld.

Das DIW (Deutsches Institut für Wirtschaftsforschung) hat in einer Analyse der deutschen Digitalwirtschaft belegt, dass Unternehmen, die gezielt in Datenqualität und Datenorganisation investieren, eine durchschnittliche Produktivitätssteigerung von 15 bis 25 Prozent erzielen – unabhängig davon, ob sie anschließend KI einsetzen oder nicht. Datenmanagement rechnet sich also in jedem Fall. Es ist keine Vorbereitung auf die Zukunft, sondern eine Investition mit unmittelbarem Gegenwartswert.

Wer profitiert – und wer verliert?

Die Verschiebungen im Wettbewerb durch Digitalisierung und KI verlaufen nicht entlang von Branchen, sondern entlang von Datenreife. Unternehmen, die bereits heute über saubere, zentralisierte und auswertbare Datenbestände verfügen, werden die Vorteile von KI-Systemen schneller und günstiger realisieren. Sie sparen Zeit bei der Implementierung, erzielen früher verwertbare Ergebnisse und können iterativ nachbessern.

Profiteure: Vor allem große Industrie- und Handelskonzerne, Finanzdienstleister sowie Technologieunternehmen, die seit Jahren in IT-Infrastruktur und Datenarchitektur investiert haben. Auch Unternehmen, die frühzeitig auf Cloud-basierte Datenlösungen umgestellt haben, verfügen über strukturelle Vorteile.

Verlierer: Mittelständische Fertigungsbetriebe, Handwerksbetriebe, kleinere Handelsunternehmen und ein Großteil des Dienstleistungssektors außerhalb der Finanzbranche. Viele dieser Unternehmen arbeiten noch mit fragmentierten Datensilos, veralteten ERP-Systemen oder schlicht mit Tabellenkalkulation. Für sie ist der Weg zur KI-Reife lang – und teuer.

Besonders betroffene Sektoren: Automobilzulieferer stehen unter doppeltem Druck: Sie müssen gleichzeitig die Transformation zur Elektromobilität stemmen und ihre Datensysteme modernisieren. Der Logistiksektor und die Optimierung von Lieferketten zählen zu den Bereichen mit dem höchsten KI-Potenzial – aber auch zu jenen mit dem größten Nachholbedarf bei der Datenqualität. Im Gesundheitswesen wiederum erschweren Datenschutzanforderungen zusätzlich den Aufbau verwertbarer Datenpools.

Warum scheitern so viele KI-Projekte?

Die Ursache liegt meist in der falschen Reihenfolge von Investitionen. Viele Unternehmen – besonders im Mittelstand – beschaffen zunächst die beste verfügbare KI-Software, stellen KI-Spezialisten ein und stellen dann fest: Die Datenbasis, auf der das System trainiert werden soll, ist ein strukturelles Desaster. Informationen verteilen sich auf Excel-Tabellen, verschiedene Datenbanken, veraltete Systeme und halb gepflegte CRM-Lösungen. Die Daten sind teils redundant, teils veraltet, teils schlicht falsch.

Der Bereinigungsprozess – das sogenannte Data Cleaning – verschlingt in der Praxis einen Großteil des Projektbudgets und der verfügbaren Kapazitäten. Laut mehreren Unternehmensberatungen, die im Bereich KI-Strategie für Unternehmen tätig sind, entfallen in typischen Implementierungsprojekten 60 bis 80 Prozent des Gesamtaufwands allein auf Datenvorbereitung und -bereinigung – und nicht auf die eigentliche KI-Entwicklung. Das ernüchtert Entscheider, die mit schnellen Ergebnissen gerechnet hatten.

Hinzu kommt ein organisatorisches Problem: Datenverantwortung ist in vielen Unternehmen niemandes Kernaufgabe. IT, Controlling, Vertrieb und Produktion pflegen ihre Daten nach eigenen Logiken, ohne übergreifende Standards. Das Ergebnis ist strukturelle Inkonsistenz, die sich durch kein KI-System der Welt heilen lässt.

Was jetzt zu tun ist: Pragmatische Schritte statt großer Visionen

Experten sind sich einig: Der richtige Einstieg in eine erfolgreiche digitale Transformationsstrategie beginnt nicht mit dem KI-Einkauf, sondern mit einer ehrlichen Bestandsaufnahme der eigenen Datensituation. Unternehmen sollten zunächst klären, welche Daten überhaupt vorhanden sind, wo sie gespeichert werden, wer für ihre Qualität verantwortlich ist und wie sie aktuell genutzt werden.

Daraus lassen sich konkrete Maßnahmen ableiten: die Einführung einheitlicher Datenstandards, die Konsolidierung fragmentierter Systeme, die Definition von Datenverantwortlichen (sogenannte Data Owner) auf Abteilungsebene sowie der schrittweise Aufbau eines zentralen Datenlagers. Wer diese Grundlagen legt, kann KI zu einem späteren Zeitpunkt deutlich schneller und kostengünstiger integrieren – und vor allem: mit realistisch messbarem Nutzen.

Für den deutschen Mittelstand, der das wirtschaftliche Rückgrat des Landes bildet, steht dabei viel auf dem Spiel. Die Bundesbank hat Recht: Das Datenqualitätsgefälle ist keine technische Randnotiz, sondern ein handfestes Konjunkturrisiko. Unternehmen, die heute nicht in ihre Datenbasis investieren, werden morgen nicht in der Lage sein, KI-Potenziale zu heben – und damit gegenüber global agierenden Wettbewerbern dauerhaft ins Hintertreffen geraten. Der Datenschatz ist vorhanden. Es fehlt nicht an Gold, sondern an Schaufel und Karte.