Data und AI sind kein IT-Projekt, sondern eine Management-Aufgabe

Fast alle Unternehmen investieren derzeit in Data und AI. Trotzdem bleibt der wirtschaftliche Nutzen vieler Initiativen begrenzt. Woran liegt das? Welche Rolle spielen Datenstrategie, Governance und Management? Und warum reicht klassische IT-Implementierung im KI-Zeitalter nicht mehr aus?

Darüber spricht Steffen Vierkorn, Geschäftsführer von QUNIS, im Interview mit der TREND-REPORT-Redaktion.

 

Herr Vierkorn, fast alle Unternehmen investieren heute in Data & AI. Warum bleibt der wirtschaftliche Nutzen dennoch häufig aus?
Zunächst einmal ist wichtig einzuordnen, dass der wirtschaftliche Nutzen nicht grundsätzlich ausbleibt. Es gibt bereits zahlreiche Anwendungsfälle, in denen Automatisierung, Risikoerkennung oder Anomalieerkennung einen klaren Geschäftsnutzen stiften. Gleichzeitig sehen wir aber viele Szenarien, die nur kurzfristig Wirkung entfalten. Manche Initiativen starten mit viel Dynamik, erzeugen temporär einen Effekt, schaffen aber keinen nachhaltigen Mehrwert. Die Ursachen dafür sind vielschichtig. Die Technologie selbst ist heute vorhanden und funktioniert. Daran scheitert es in der Regel nicht. Die größten Probleme liegen vielmehr in der fehlenden Datengrundlage, in unzureichender Governance und in mangelnden Fähigkeiten innerhalb der Organisation. Viele Unternehmen haben ihre relevanten Inhouse-Daten über Kunden, Produkte oder Vertriebskanäle noch immer in Silos organisiert. Diese Daten sind nicht sauber miteinander verknüpfbar und dadurch nur eingeschränkt nutzbar. Gleichzeitig fehlen oft die richtigen Kompetenzen, um mit Data & AI wertschöpfend umzugehen. Wichtig ist dabei: Wir sprechen nicht nur über IT-Skills. Entscheidend sind Kompetenzen in den Fachbereichen, also etwa im Vertrieb, im Finanzbereich oder in anderen Business-Funktionen. Dort muss ein Verständnis dafür entstehen, wie datengetriebenes Arbeiten und AI konkret Wert schaffen können. Stattdessen erleben wir häufig, dass Unternehmen 20 oder 30 AI-Initiativen parallel starten, die aber nicht strategisch aufeinander abgestimmt sind. Dann dominiert der Blick auf Tools und Technik, während Plattformgedanke, Priorisierung und Business Value in den Hintergrund geraten.

Viele Unternehmen hoffen, dass moderne KI-Agenten Datensilos künftig automatisch auflösen. Ist das realistisch?
Nein, das wird in absehbarer Zeit nicht automatisch passieren. Natürlich nutzen wir AI-Technologien heute bereits, um Daten zu harmonisieren, zu bereinigen und ihre Qualität zu verbessern. Aber die Ursache schlechter Datenqualität liegt oft viel tiefer, nämlich in heterogenen Prozessen innerhalb der Unternehmen selbst. Wenn ein Unternehmen beispielsweise in mehreren Ländern mit unterschiedlichen Vertriebsprozessen, verschiedenen CRM-Systemen und abweichenden Arbeitsweisen arbeitet, entsteht die Inkonsistenz der Daten systematisch. Hier gibt es keinen magischen Knopf, der dieses Problem automatisch beseitigt. In vielen Fällen müssen Prozesse neu organisiert werden, damit überhaupt erst die Grundlage für gute Daten geschaffen wird. AI kann unterstützen, ersetzt diese strukturelle Arbeit aber nicht. Das ist ein entscheidender Punkt: Wer glaubt, dass sich Datensilos allein mit Technologie auflösen lassen, unterschätzt die organisatorische Dimension des Themas.

Eine Menge Unternehmen arbeiten noch mit einzelnen Use Cases. Warum fällt der Schritt zur unternehmensweiten Datennutzung so schwer?
Ein wesentlicher Grund ist die klassische Organisation vieler Unternehmen. Bereiche wie Sales, Finance, HR oder Produktion sind sinnvoll getrennt, wenn es um Steuerung und Verantwortlichkeiten geht. Daten folgen aber nicht dieser Logik. Daten sind fast immer funktionsübergreifend relevant. Kundendaten etwa werden nicht nur im Vertrieb gebraucht, sondern auch im After-Sales, in der Produktion oder im Finanzbereich. Daraus ergibt sich sofort eine zentrale Frage: Wem gehören diese Daten eigentlich? Genau hier kommt Data Governance ins Spiel. Wenn diese Frage organisatorisch nicht geklärt ist, bleibt die Nutzung zwangsläufig fragmentiert. Dann funktionieren einzelne Use Cases vielleicht lokal, aber nicht in der Breite des Unternehmens. Hinzu kommt ein zweiter Punkt: Viele Unternehmen denken Daten noch nicht als Produkt. Aus meiner Sicht müssen Daten viel stärker wie ein Produkt verstanden und gemanagt werden – mit einem Lebenszyklus, klaren Verantwortlichkeiten, definierten Qualitätsstandards und einer transparenten Beschreibung ihres Werts. Solange diese Standards fehlen, bleibt Datennutzung oft auf einzelne Anwendungen beschränkt. Erst wenn Daten wie ein Produkt behandelt werden, entsteht die Voraussetzung dafür, dass AI-Anwendungen diese Daten skalierbar nutzen und darauf aufbauen können.

Wenige Unternehmen haben eine echte Datenstrategie. Warum wird Data & AI noch immer zu stark als IT-Projekt verstanden?
Viele Unternehmen sind nach wie vor damit beschäftigt, Prozesse global auszurollen, Verantwortlichkeiten zu definieren und ihre operative Organisation zu stabilisieren. Was dabei oft außerhalb des Radars bleibt, ist die Frage der Datenverantwortung. Dabei ist genau diese Frage zentral, weil Daten eben nicht an einer einzelnen Funktion hängen, sondern bereichsübergreifend relevant sind. Deshalb braucht es neue Organisationsformen. Und diese haben nichts mit einer reinen IT-Organisation zu tun. Es geht um Business-Funktionen, die Verantwortung für Daten übernehmen. Die IT kann technologische Grundlagen schaffen, Infrastrukturen bereitstellen und Systeme aufbauen. Aber der eigentliche Wert entsteht im Prozess und in der Nutzung durch die Fachbereiche. Ein gutes Beispiel ist der 360-Grad-Blick auf den Kunden. Wenn ein Unternehmen mehrere Produktlinien hat und gar nicht sauber erkennt, ob überall vom gleichen Kunden gesprochen wird oder welche Interaktionen bereits stattgefunden haben, lassen sich auch automatisierte Upselling- und Cross-Selling-Potenziale nicht heben. Genau an solchen Stellen zeigt sich, dass Data & AI eben kein isoliertes IT-Projekt sind, sondern tief in Geschäftsprozesse, Verantwortlichkeiten und Managemententscheidungen eingreifen.

Viele Organisationen bauen derzeit Datenplattformen auf. Was unterscheidet eine technische Plattform von einer wirklich wirksamen Datenplattform?
Für mich gehören Datenplattformen heute in vielen Branchen zur kritischen Infrastruktur. Unternehmen brauchen ein belastbares Konzept dafür, wie Daten gesammelt, aufbereitet, gespeichert und für verschiedene Anwendungsfälle bereitgestellt werden. Typische Einsatzfelder sind Reporting, Analyse, AI-Anwendungen oder auch die Weitergabe von Daten an Kunden und Partner. Technologisch gibt es dafür sehr gute Lösungen. Entscheidend ist aber, dass eine Datenplattform nicht nur als Tool verstanden wird. Eine Plattform wird erst dann wirksam, wenn sie Teil eines Operating Models ist. Das bedeutet: Es braucht klare Spielregeln, definierte Einsatzszenarien, Betriebskonzepte und eine enge Verzahnung mit Governance, Rollen und Skills. Eine Plattform einfach hinzustellen, reicht nicht. Sie muss in den Arbeitsalltag übergehen und tatsächlich genutzt werden. Erst dann entsteht daraus ein belastbares Fundament für datengetriebene Wertschöpfung.

 

 

Wie unterstützt QUNIS Unternehmen dabei, diese Transformation umzusetzen?
Wir beginnen grundsätzlich mit einer Strategie, die sich an der Unternehmensstrategie orientiert. Daraus leiten wir konkrete Handlungsstränge ab: Welche Architektur wird benötigt? Welche Tools sind sinnvoll? Welche Rollen, Verantwortlichkeiten und Fähigkeiten müssen aufgebaut werden? Und wie sieht eine Roadmap aus, mit der sich die Transformation umsetzen lässt? Wichtig ist, dass wir Unternehmen nicht mit einer abstrakten Zielvision alleinlassen. Man kann heute keinem Kunden sagen: Das ist jetzt eure neue Datenstrategie, viel Erfolg damit. Dafür ist das Thema zu komplex. Deshalb gehen wir schrittweise vor. Wir starten in ausgewählten Bereichen, transformieren dort Prozesse gemeinsam mit dem Kunden und arbeiten den konkreten Wert aus den Daten heraus. Dieser ganzheitliche Ansatz ist entscheidend. Schnell etwas zu bauen, um zu zeigen, was technisch möglich ist, kann sinnvoll sein. Nachhaltigkeit entsteht daraus aber nur, wenn Strategie, Prozesse, Rollen, Skills und technologische Plattform gemeinsam gedacht werden.

Ihre aktuelle Studie zeigt, dass fehlende Governance und unklare Verantwortlichkeiten zentrale Hürden sind. Warum sind gerade diese organisatorischen Themen so entscheidend?
Weil Daten zwar in IT-Systemen entstehen, ihr Wert aber in den Prozessen des Unternehmens realisiert wird. Wenn Zuständigkeiten unklar sind und niemand Verantwortung für Daten übernimmt, lassen sich diese Daten nicht systematisch weiterentwickeln und nutzen. Daten sind heute ein Asset. Viele Unternehmen behandeln sie aber noch immer nicht wie ein Asset, sondern eher wie ein Nebenthema der IT. Genau darin liegt die Herausforderung. Wer datengetrieben arbeiten will, muss auch bereit sein, Prozesse, Verantwortlichkeiten und organisatorische Strukturen entsprechend zu verändern. Natürlich geht es dabei nicht darum, das gesamte Unternehmen neu zu erfinden. Aber dort, wo Daten Grundlage für Automatisierung, Effizienzsteigerung oder neue Geschäftsmodelle sein sollen, müssen Prozesse angepasst und sauber strukturiert werden. Sonst bleibt der gewünschte Wert aus.

Data & AI werden zunehmend auf Vorstandsebene diskutiert. Warum muss Datenstrategie heute zur Management-Aufgabe werden?
Weil wir gerade erleben, dass AI-Technologien Arbeitsabläufe und Geschäftsmodelle grundlegend verändern. Besonders alles, was mit Wissen, Information und Entscheidungen zu tun hat, wird in den kommenden Jahren deutlich anders organisiert werden. Gleichzeitig entstehen auch in klassischen Industrien neue digitale Angebote und datenbasierte Services. Deshalb müssen Data & AI aus meiner Sicht als strategische Säule der Unternehmensstrategie diskutiert werden. Damit ist automatisch das C-Level gefragt. Entscheidend ist dabei nicht nur das Verständnis der Technologie selbst, sondern auch die Frage, wie Unternehmen diese Technologien wirtschaftlich sinnvoll einsetzen können. Genau an diesem Punkt geht es wieder um Organisation, Governance, Priorisierung und strategische Steuerung. Wenn Vorstand und Top-Management nicht verstehen, welche Auswirkungen Data und AI auf die eigene Organisation, auf Revenue-Streams, auf Produkte oder auf Partnernetzwerke haben, wird es schwer, die richtigen Entscheidungen zu treffen. Zu oft wird das Thema noch an die IT delegiert. Dafür ist es inzwischen zu wichtig.

 

„Wir begleiten Unternehmen bei der Entwicklung und Umsetzung datengetriebener Strategien und schaffen messbaren Mehrwert – von der Strategieberatung über die Implementierung bis zur Befähigung Ihrer Teams. Kunden profitieren von unserem tiefen Architekturverständnis, branchenbezogenem Fachwissen, methodisch fundierten Vorgehen und einer partnerschaftlichen Zusammenarbeit auf Augenhöhe.“

 

Welche Rolle spielen dabei Regulierung und Datensouveränität?
Beides wird deutlich wichtiger. Ein Beispiel ist der EU Data Act. Viele Unternehmen betrachten solche Vorgaben zunächst als zusätzliche Compliance-Anforderung. Tatsächlich steckt darin aber auch eine strategische Chance. Wer Daten ohnehin sauber strukturieren, aufbereiten und bereitstellen muss, kann diese Grundlage gleichzeitig für interne Use Cases, datenbasierte Services und neue Wertschöpfungsmodelle nutzen. Hinzu kommt das Thema Datensouveränität. Unternehmen müssen sich stärker damit auseinandersetzen, wo ihre Daten liegen, welchen Plattformen sie vertrauen und wie groß die Abhängigkeit von bestimmten Anbietern sein darf. Das sind längst keine rein technischen Detailfragen mehr, sondern strategische Entscheidungen mit langfristiger Wirkung.

Warum reicht klassische IT-Implementierung im Data & AI-Umfeld heute nicht mehr aus?
Weil im Zentrum immer ein Business Case stehen muss. Natürlich ist es notwendig, die technische Infrastruktur aufzubauen, Cloud-Dienste anzubinden oder Plattformen bereitzustellen. Aber das allein erzeugt noch keinen wirtschaftlichen Nutzen. Die eigentliche Frage ist doch: Welcher Use Case soll damit realisiert werden, wo entsteht der Business Value und wie wird dieser konkret gehoben? Genau deshalb unterscheidet sich Data & AI von klassischer IT-Implementierung. Hier braucht es immer die Verbindung aus technologischem Know-how, fachlicher Expertise und Branchenverständnis. Was Unternehmen heute oft einkaufen, ist zunächst Infrastruktur – etwa ein Modell, eine Plattform oder eine Datenbanktechnologie. Der konkrete Mehrwert für das Unternehmen entsteht daraus nicht automatisch. Er muss gezielt entwickelt werden.

Wie können Beratungspartner beim Aufbau datengetriebener Organisationen helfen?
Beratungspartner können Unternehmen dabei helfen, schneller in diese Reise einzusteigen. Sie bringen spezialisiertes Know-how mit, das in vielen Unternehmen – auch in großen – noch nicht in ausreichendem Maß vorhanden ist. Das betrifft Datenstrategie, Plattformkonzeption, AI-Architekturen und die Verzahnung von Business Value und Technologie. Gerade im Mittelstand ist das besonders relevant. Viele Unternehmen haben weder die Zeit noch die personellen Ressourcen, um alle notwendigen Fähigkeiten kurzfristig selbst aufzubauen. Externe Partner können hier Geschwindigkeit und Orientierung geben. Gleichzeitig ist wichtig, dass Unternehmen sich nicht dauerhaft vollständig auf externes Know-how verlassen. Bestimmte Schlüsselrollen müssen mittelfristig in-house aufgebaut werden, insbesondere dort, wo Business Value definiert, Architekturentscheidungen vorbereitet und datengetriebene Verantwortung übernommen werden.

Wenn wir auf das Jahr 2030 blicken: Welche Bedeutung werden Datenstrategien für die Wettbewerbsfähigkeit von Unternehmen haben?
Aus meiner Sicht werden Datenstrategien bis zum Jahr 2030 in nahezu allen Branchen essenziell für die Wettbewerbsfähigkeit sein. Daten werden zu einem der wichtigsten Assets in Unternehmen, weil AI, Automatisierung, Effizienzsteigerung, Risikominimierung und Veränderungsgeschwindigkeit immer stärker auf einer sauberen Datengrundlage aufbauen. Unternehmen müssen deshalb ihre relevanten Datenobjekte kontrollieren, strukturieren und strategisch managen. Wer keine belastbare Antwort darauf hat, wie mit diesen Daten umgegangen wird, wird es schwer haben, künftige Entwicklungen erfolgreich zu gestalten. Die zentrale Botschaft lautet deshalb: Unternehmen sollten vor dem Thema keine Angst haben, aber sie sollten es mit der nötigen Ernsthaftigkeit und Struktur angehen. Aktionismus hilft nicht weiter. Data & AI sind zu mächtig, zu teuer und zu geschäftskritisch, um sie ohne strategischen Rahmen zu behandeln.

Herr Vierkorn, herzlichen Dank für das Gespräch

 

Weitere Infos unter:

https://qunis.de/kompetenzen/data-ai-plattformen
https://qunis.de/kompetenzen/data-strategy

 

Über unseren Interviewpartner:

Steffen Vierkorn ist Gründer und Geschäftsführer der QUNIS GmbH. Seine Schwerpunkte liegen in der ganzheitlichen Begleitung von Kunden – von der Data & AI-Strategie über Architekturkonzepte bis hin zum Aufbau tragfähiger Organisationsstrukturen. Er lehrt an der Technischen Universität München sowie der Technischen Hochschule Rosenheim und ist Mitglied ausgewählter Data Councils sowie Steering-Gremien großer Konzerne.

 

Lizenzhinweis: Dieser Beitrag erscheint unter der Lizenz CC BY-ND 4.0.
https://creativecommons.org/licenses/by-nd/4.0/deed.de