Unternehmen setzen auf KI-Modelle, doch ohne aktuelle und verlässliche Daten bleibt der strategische Vorteil aus. Warum Datenprodukte und Governance jetzt entscheidend sind
Viele Unternehmen setzen auf große KI-Modelle. Doch das beste Modell allein bringt keinen dauerhaften Vorteil. Erst wenn KI-Systeme auf aktuelle, verlässliche und geschäftsrelevante Daten zugreifen, entsteht echter Vorsprung. Ohne diese Basis bleibt jede technische Überlegenheit kurzlebig. Austauschbar.
Datenprodukte als Fundament für KI-Anwendungen
KI-Anwendungen stellen neue Anforderungen an Daten. Wer KI nicht nur testet, sondern im Alltag nutzt, muss Daten wie Produkte behandeln. Das heißt: Es braucht klare Zuständigkeiten, definierte Nutzergruppen, dokumentierte Qualitätsstandards und regelmäßige Updates. Nur so kann ein Modell die Lage richtig einschätzen. Entscheidungen stehen dann auf sicherem Grund.
NIST betrachtet die Bewertung von KI-Systemen als mehrstufigen Prozess: Neben der Überprüfung der Modellfähigkeiten sind auch Red-Teaming, Tests von Schutzmechanismen und Feldversuche in realen Einsatzumgebungen erforderlich.
Reale Daten reichen oft nicht aus. Seltene Ereignisse, fehlende Szenarien oder der Schutz sensibler Informationen machen synthetische Daten immer wichtiger. Künstlich erzeugte Datensätze simulieren gezielt Eigenschaften realer Daten. Sie helfen, KI-Systeme auf seltene oder neue Situationen vorzubereiten. Gartner schätzt, dass bis 2030 über 90 Prozent der KI-Trainingsdaten am Edge synthetisch erzeugt werden könnten. Das zeigt, wie stark dieser Ansatz wächst.
Wer reale und synthetische Daten kombiniert, beschleunigt Entwicklung und Qualitätssicherung. Aber Vorsicht: Synthetische Daten sind nicht automatisch datenschutzkonform oder realitätsnah. Unternehmen müssen die Erzeugung dokumentieren, Qualitätskriterien festlegen und die Ergebnisse regelmäßig mit echten Daten abgleichen. Nur dann werden synthetische Daten zu einem verlässlichen Teil der KI-Strategie. Das Bundesamt für Sicherheit in der Informationstechnik (BSI) empfiehlt, bei der Generierung synthetischer Daten die Vorgaben der ISO/IEC 27018 für Datenschutz in Cloud-Umgebungen zu beachten.
Edge-Verarbeitung und Datenökosysteme im Wandel
Immer mehr relevante Daten entstehen außerhalb zentraler Rechenzentren. Maschinen, Fahrzeuge, Filialen - überall fallen Daten an. Anwendungen wie Anlagensteuerung oder Überwachung brauchen Auswertung direkt vor Ort. Die Edge-Verarbeitung bringt neue Herausforderungen. Formate, Modellversionen und Sicherheitsregeln müssen über viele Systeme hinweg einheitlich gesteuert werden. Es muss klar sein, welche Entscheidungen lokal getroffen werden dürfen. Und wann zentrale Kontrolle nötig bleibt.
Unternehmen brauchen zunehmend externe Datenquellen. Wetter, Lieferketten, Branchentrends - vieles entsteht außerhalb der eigenen Organisation. Partnerschaften, offene Schnittstellen und gemeinsame Standards werden zum strategischen Faktor. Spezialisierte KI-Marktplätze gewinnen an Bedeutung. Sie erleichtern den Zugang zu externen Datenprodukten und Modellen. Neue Erlösmodelle entstehen. Gartner erwartet, dass bis 2028 rund 40 Prozent der Käufe von KI-Assets über solche Marktplätze laufen werden. Voraussetzung: Qualität, Herkunft und Nutzungsrechte eines Datenangebots müssen nachvollziehbar sein. Die europäische Regulierungsagenda, vor allem der AI Act, verlangt Transparenz und Nachvollziehbarkeit bei der Nutzung externer Datenquellen. Die aktuellen Entwicklungen werden auf EU-Ebene laufend im AI Act Dossier dokumentiert.
Verantwortlichkeiten und Prioritäten für Unternehmen
Die Organisation wird komplexer. Der CIO koordiniert Cloud, Edge, Sicherheit und Integration. Der CPO übersetzt Datenzugang in Produktfunktionen. Der Chief Data Officer legt Qualitäts- und Governance-Regeln fest und bestimmt, wann Daten aktualisiert werden oder wer Zugriff erhält. Datenschutz, Compliance und Fachbereiche müssen früh eingebunden werden. Nur so lassen sich rechtliche und fachliche Anforderungen prüfen. Die Roadmaps dieser Funktionen dürfen sich nicht widersprechen.
Für Unternehmen heißt das: Sie sollten mit den wichtigsten Anwendungsfällen starten. Für jedes Vorhaben muss klar sein, welche Daten in welcher Qualität und Aktualität gebraucht werden. Ein Portfolio von Datenprodukten mit klaren Verantwortlichkeiten, Schnittstellen und Qualitätszusagen ist zentral. Die Planung von realen und synthetischen Daten muss abgestimmt erfolgen. Edge-Fähigkeit ist für geschäftskritische Prozesse gezielt zu entwickeln. Ökosysteme brauchen klare Regeln. Interne und externe Marktplätze sollten dort eingebunden werden, wo sie Datenlücken schließen oder neue Angebote schaffen.
Die Friends Digital Group geht mit ihrem Ansatz für spezialisierte Agenturen einen ähnlichen Weg, wie früher berichtet wurde. Auch dort steht die gezielte Entwicklung und Wiederverwendung von Datenprodukten im Mittelpunkt. Ziel ist nachhaltige Wertschöpfung.
Die Entwicklung ist klar: Wer Daten als Produkte versteht, Governance und Schnittstellen von Anfang an integriert und reale wie synthetische Daten gezielt nutzt, schafft die Basis für KI-Anwendungen, die mit dem Markt wachsen. Unternehmen, die nur auf Modellleistung setzen, werden sich kaum dauerhaft abheben.
Ein Datenprodukt ist eine klar definierte, technisch und organisatorisch abgesicherte Sammlung von Daten für einen bestimmten Zweck. Es enthält dokumentierte Qualitätsstandards, regelmäßige Updates, klare Zugriffsregeln und eine verantwortliche Stelle. Datenprodukte erlauben es, Daten mehrfach und in verschiedenen Kontexten zu nutzen, ohne sie jedes Mal neu aufzubereiten. Sie sind ein zentrales Element moderner Datenstrategien. Ohne sie ist nachhaltiger KI-Einsatz in Unternehmen kaum möglich.
