29. Okt. 2026/Lesezeit: 7 MinutenKI und ML
Warum das Warten auf „einsatzbereite“ Daten riskanter ist, als jetzt zu starten
Ich führe regelmäßig dasselbe Gespräch über Branchen, Unternehmensgrößen und Regionen hinweg. Eine Führungskraft beschreibt jahrelange Investitionen in die Dateninfrastruktur. Ein Transformationsprogramm ist im Gange, und das Team leistet ernsthafte Arbeit. Sie sind zu dem vernünftigen Schluss gekommen, dass sie die Transformation abschließen müssen, bevor sie mit der Implementierung von KI beginnen können.
Hier ist, was ich ihnen sage: „Fertig“ ist ein Zustand, der nie eintritt. Das Warten auf einen fertigen Datenbestand kann den Wert verzögern, den Unternehmen heute schon beweisen könnten.
In globalen Unternehmen führen 97 % aktive KI-Initiativen durch, aber nur 5 % sagen, dass ihre Daten bereit sind, diese zu unterstützen. Die meisten betrachten diese Lücke als Grund zu warten. Aber die Unternehmen, die sich absetzen, betrachten die Lücke als Ausgangspunkt.
Das neue E-Book von Snowflake „Break the Sequence“ untersucht die größte Bremse für KI im Unternehmen: den Glauben, dass die Transformation abgeschlossen sein muss, bevor KI beginnen kann.
Wie eine gute Vorschrift zu einer schlechten Regel wurde
Der Rat, Daten vor der Nutzung von KI in Ordnung zu bringen, wurde für eine andere Welt geschrieben. Als Unternehmensdaten in On-Premises-Silos mit proprietären Speicherformaten lagen, bedeutete die Ausführung von Analytics über mehrere Systeme hinweg, dass Daten zuerst physisch an einen Ort verschoben werden mussten. Die darauf folgende Reihenfolge war technisch sinnvoll: Migration, Zentralisierung, Governance, dann Entwicklung. Jeder Schritt schaltete den nächsten frei, und schließlich stellte niemand dies in Frage.
Im Laufe der Zeit machten Unternehmen aus diesem Rat eine strengere Regel: Nutzen Sie keine KI, bis jede einzelne Altlast-Plattform verschwunden ist und Ihre Migration abgeschlossen ist. Das ist eine Fehlinterpretation, aber es ist die Version der Botschaft, die sich durchgesetzt hat.
„Fertig“ ist ein unmöglicher Standard
Ihr Datenbestand ist nie perfekt fertig. Neue Anwendungen werden hinzukommen. Vorschriften ändern sich. Unternehmen übernehmen andere Firmen. KI-Modelle entwickeln sich weiter. Wenn Sie ständig darauf warten, dass die Dinge perfekt sind, bevor Sie Wert schaffen, werden Sie nie Wert schaffen.
Das Risiko, in einem wettbewerbsintensiven Markt nichts zu tun, ist oft das größte Risiko. Und in Märkten, in denen KI den operativen Wettbewerbsvorteil ausbaut, bedeutet jedes Quartal des Zögerns ein Quartal, in dem die Konkurrenz ihren Vorsprung weiter vergrößert.
3 Wege, wie Unternehmen stecken bleiben
Wenn die Annahme, dass die Transformation abgeschlossen sein muss, bevor man mit dem Einsatz von KI beginnen kann, falsch ist, warum halten dann noch so viele große Unternehmen daran fest? Die meisten Unternehmen lassen sich einem von drei Archetypen zuordnen.
Die Kampfgezeichneten: Haben Jahre und erhebliches Kapital in die Transformation ihres Datenbestands investiert. Sie haben den Data Warehouse-Pitch, den Data Lake-Pitch und den Lakehouse-Pitch gehört. Der KI-Pitch kann wie dasselbe Versprechen in neuer Verpackung klingen. Jetzt werden sie gebeten, sich zwischen dem Abschluss der Transformation und dem Start von KI zu entscheiden, aber beides kann zusammen erledigt werden.
Das unbeschriebene Blatt: Hat noch keine groß angelegte Transformation abgeschlossen und bekommt vielleicht gesagt, dass das Unternehmen Jahre im Rückstand ist. Diese Diagnose übersieht einen wichtigen Vorteil: Ohne dieselben technischen Schulden und versunkenen Kosten können Führungskräfte für die heutige Technologie-Landschaft entwerfen, anstatt die Infrastrukturmuster von gestern zu reproduzieren.
Das mittlere Mandat: Hat eine KI-Strategie und ein Führungsmandat, aber ein Transformationsrückstand blockiert die Ausführung. Das Hindernis erscheint technisch, basiert aber auf der Annahme, dass die Datenplattform vollständig sein muss, bevor KI beginnen kann.
Diese Unternehmen starten von unterschiedlichen Punkten, stehen aber vor derselben Entscheidung. Behandeln Sie die Transformation weiterhin als Voraussetzung für KI, oder führen Sie KI-Bereitstellung und Modernisierung parallel durch.
Beide Spuren gleichzeitig ausführen
Nehmen wir an, Sie renovieren Ihre Küche. Was tun Sie, wenn Sie kochen müssen? Sie richten woanders eine provisorische Küche ein und wohnen weiterhin im Haus, während die Arbeiten stattfinden. Das Gleiche gilt für ein Unternehmen.
Das parallele Modell wendet diese Logik auf KI an. Es teilt die Arbeit in zwei Spuren auf, die gleichzeitig laufen.
Spur 1 ist die KI-Bereitstellung. Sie identifizieren ein Geschäftsergebnis, das Sie in 90 Tagen beweisen können, finden die Daten, die es unterstützen, und beginnen mit dem Aufbau. Diese Daten sind unvollkommen, verteilt und befinden sich in den Systemen, in denen sie immer waren. Sie verwalten sie dort, wo sie sich befinden, mit einer Richtlinienschicht, die unabhängig davon gilt, welche Engine darauf zugreift. KI-Workloads laufen heute auf diesem Fundament.
Spur 2 ist die Modernisierung. Migrationen werden fortgesetzt, Altlast-Systeme werden konsolidiert und Pipelines werden verbessert. Diese Arbeit verläuft nach ihrem eigenen Zeitplan, mit ihren eigenen Meilensteinen. Der Unterschied besteht darin, dass sie die KI-Bereitstellung nicht mehr blockiert. Wenn eine Migration abgeschlossen ist, verbindet sie sich mit dem, was Spur 1 bereits aufgebaut hat. Nichts wird weggeworfen und nichts muss warten.
Die beiden Spuren informieren sich auch gegenseitig. Wenn KI-Workloads über reale Systeme hinweg live sind, wird klar, welche Konsolidierungen Priorität verdienen und welche Altlast-Plattformen warten können. Sie modernisieren in der Reihenfolge des nachgewiesenen Werts, wobei Beweise aus Produktions-KI-Anwendungsfällen die Roadmap leiten.
Dies erweitert bestehende Investitionen. Jede Plattformentscheidung, jede Migration und jede bereits erstellte Pipeline bleibt im Spiel. Das parallele Modell baut auf dem auf, was Sie haben, wird konsistent verwaltet und liefert jetzt Ergebnisse. In „Break the Sequence“ nennen wir dies die Leapfrog-Strategie: das Überspringen der Warteschlange, die das alte sequentielle Modell geschaffen hat, ohne die Arbeit zu überspringen.
Wie „bereit genug“ aussieht
Die Einstiegshürde ist niedriger, als die meisten Unternehmen glauben. Diese Bedingungen reichen aus, um loszulegen:
- Sie wissen, woher Ihre Daten stammen.
- Sie wissen, wem sie gehören (Data Ownership).
- Sie können den Zugriff darauf kontrollieren.
- Sie kennen ihre Grenzen.
- Das Unternehmen ist bereit, auf ihrer Basis Entscheidungen zu treffen.
Die meisten großen Unternehmen können diese Hürde mit den Daten nehmen, die sie bereits haben, noch bevor ein Transformationsprogramm abgeschlossen ist.
Wenn Sie ein Landwirt sind, wird Ihr Erfolg an der Ernte gemessen, während der Traktor bei der Arbeit hilft. Das gleiche Prinzip gilt für KI. Die Plattform übernimmt mehr von der Infrastruktur, während Fachexpert:innen identifizieren, wo KI Entscheidungen und Ergebnisse verbessern kann.
Das ist die Verschiebung: Nutzen Sie die Daten und das Fachwissen, das Sie bereits haben, um jetzt Wert zu beweisen, während die Modernisierung parallel fortgesetzt wird.
Die Aufgabe des Landwirts ist die Ernte
Sobald die Startbedingungen klar sind, verlagert sich der Fokus auf die Personen, die wissen, wo KI Wert schaffen kann. Die Ausführung von KI in Ihrem Unternehmen erforderte früher große horizontale Teams: Data Engineers zum Verschieben und Transformieren von Daten, Data Scientists zum Erstellen von Modellen, Analyst:innen zur Interpretation von Ausgaben, Programmmanager:innen zur Koordination zwischen ihnen.
Dieses Modell ändert sich, weil die Datenplattform jetzt mehr von dem übernimmt, was diese horizontalen Teams früher manuell erledigt haben.
Die Analogie, die ich gerne verwende, ist die des Landwirts. Wenn Sie ein Landwirt sind, werden Sie sich nicht darüber aufregen, dass ein Traktor erfunden wurde. Ihre Aufgabe ist es nicht, das Feld zu pflügen; Ihre Aufgabe ist es, die Ernte zu maximieren, und der Traktor hilft Ihnen dabei.
Die gleiche Philosophie gilt, wenn Sie KI strategisch in Ihrem Unternehmen einsetzen. Die Plattform kümmert sich um die Infrastruktur, und Fachexpert:innen identifizieren, wo KI für geschäftliche Auswirkungen eingesetzt werden soll.
Im Handel sind es die Einkäufer:innen, die die Markdown-Optimierung verstehen. In der Fertigung sind es die Betriebsleiter:innen, die wissen, wo Ausfallzeiten Geld kosten. Bei Finanzdienstleistungen ist es der:die Kreditanalyst:in oder Compliance-Beauftragte, der:die den Anwendungsfall versteht.
Das ist die Verschiebung: Nutzen Sie die Daten und das Fachwissen, das Sie haben, um jetzt Wert zu beweisen, während die Modernisierung parallel fortgesetzt wird.
Laden Sie das vollständige E-Book herunter, um die fünf Änderungen zu verstehen, die die alte Arbeitsweise abgelöst haben, das parallele Modell und wie es in der Praxis funktioniert, sowie die Schritte, um Ihr erstes KI-Ergebnis dem Vorstand vorzulegen.
