Warum KI-fähige Daten über den Erfolg von KI-Projekten entscheiden

Wie in meinem vorherigen Blog deutlich wurde, gewinnen konvergente Datenplattformen vor allem deshalb an Bedeutung, weil sie eine belastbare Grundlage für moderne Datenstrategien schaffen. Daran knüpft ein weiteres Thema an, das sich in Gesprächen mit Analysten, in Studien und in unseren Gesprächen mit Unternehmen immer wieder deutlich zeigt: die Bedeutung KI-fähiger Daten. Denn je stärker KI und GenAI an Bedeutung gewinnen, desto klarer wird auch, dass ihr Erfolg maßgeblich von der Qualität, Verfügbarkeit und Nutzbarkeit der zugrunde liegenden Daten abhängt.

Zahlreiche Analystenstimmen, Studien und Praxisbeispiele zeigen qualitativ wie quantitativ, dass KI-fähige Daten ein zentraler Erfolgsfaktor für KI-Projekte sind. Eine Gartner-Umfrage unter IT-Führungskräften ergab beispielsweise, dass nur 4 % der Unternehmen angeben, dass ihre Daten KI-fähig sind (Gartner, 2024, Top Trends in Data and Analytics, 2024) und die Umfragedaten von BARC zeigen, dass Datenprobleme zu den größten Hindernissen für den KI-Erfolg gehören. Unsere Kunden sagen uns, dass unser Ansatz, KI-fähige Daten über eine übergreifende Smart Data Fabric-Ebene bereitzustellen, die eine konvergente Architektur mit gemeinsamer Sicherheit/Leitung/Governance/Semantik nutzt, eine Voraussetzung für erfolgreiche KI- und GenAI-Ergebnisse ist.

Darüber hinaus entfällt durch die Bereitstellung integrierter KI-Funktionen, die verschiedene Formen der KI unterstützen – darunter prädiktive und präskriptive Analysen sowie Gen-AI-, RAG-, Agenten- und Vektor-Funktionalitäten –, die Notwendigkeit, Daten zur Analyseverarbeitung in separate Umgebungen zu kopieren, was die Effizienz steigert, die Latenzzeit verringert und das Fehlerrisiko senkt.

Im Folgenden finden Sie zentrale Studien, die die Bedeutung KI-fähiger Daten unterstreichen.

Dieser Gartner-Report enthält zahlreiche interessante Umfrageergebnisse und Empfehlungen zur entscheidenden Bedeutung KI-fähiger Daten sowie zu den notwendigen Veränderungen an Datenarchitekturen, Plattformen und Prozessen, um erfolgreiche KI-Initiativen zu ermöglichen.

"Führungskräfte im Bereich Data & Analytics (D&A) stehen unter erheblichem Druck, die dringenden und geschäftskritischen KI-Initiativen ihrer Organisation zu unterstützen. Während die meisten Unternehmen im Laufe der Jahre in traditionelle Datenmanagement-Architekturen und -Verfahren investiert haben, gefährden diejenigen, die die Unterschiede zwischen den Anforderungen an KI-fähige Daten und dem traditionellen Datenmanagement nicht erkennen, den Erfolg ihrer KI-Bemühungen."

Eine Studie von Gartner Research hat gezeigt:

• Der Mangel an Daten ist für fast 40 % der Befragten der Gartner-Umfrage "AI in the Enterprise 2023" eines der drei größten Hindernisse bei der Implementierung von KI-Techniken.
• Mehr als 75 % der Unternehmen geben an, dass KI-fähige Daten in den nächsten zwei bis drei Jahren zu ihren fünf wichtigsten Investitionsbereichen gehören werden, so die Gartner-Umfrage "2024 Evolution of Data Management as a Dedicated Function"

Gartner, Inc. (2024). Die Evolution des Datenmanagements in A Journey Guide to Deliver AI Success Through AI-Ready Data. Gartner.

Laut der jüngsten BARC-Umfrage unter 421 Unternehmen weltweit sind drei der sechs größten Hindernisse für erfolgreiche KI-Projekte datenbezogen, darunter Datenqualität (Platz 1), Integrationsprobleme (Platz 3) und unzureichende Daten bzw. unzureichender Datenzugang. Dies unterstreicht, dass KI-kompatible Daten für den Erfolg von KI von entscheidender Bedeutung sind und noch immer eine ungelöste Herausforderung darstellen.

"Die Datenqualität ist allen anderen Hindernissen voraus. In den Ergebnissen von 2024 liegt die Datenqualität mit 19 % im unteren Drittel der aufgeführten Herausforderungen. Je mehr Projekte durchgeführt wurden, desto mehr stieg die Datenqualität zum größten Hindernis für den Erfolg von KI-Projekten im Jahr 2025 auf. 44 % der Befragten nannten sie als größte Herausforderung. Der alte Grundsatz ‚Garbage in, garbage out‘ gilt für KI ebenso wie für die traditionelle Analytik. Schlechte Datenqualität wirkt sich auf den Kontext der Ergebnisse und natürlich auf die Genauigkeit aus. Die zentrale Botschaft lautet: Solange anhaltende Datenqualitätsprobleme nicht behoben werden, wird Ihr Unternehmen das Potenzial wirkungsvoller KI-Projekte nicht voll ausschöpfen können."

Eine weitere wichtige Erkenntnis aus der Umfrage ist die Notwendigkeit, Echtzeitdaten und verschiedene Formen unstrukturierter Daten zu verwalten, was für Unternehmen eine Herausforderung darstellen kann, da sich viele Datenmanagement-Anbieter immer noch hauptsächlich auf die Verwaltung strukturierter Batch-Daten konzentrieren.

Celent ist ein angesehenes Analystenunternehmen für den Bankensektor. Dieser Bericht dokumentiert die Ergebnisse einer (von InterSystems gesponserten) Umfrage unter mehr als 100 Führungskräften von Banken in Nordamerika und Großbritannien. Die wichtigsten Erkenntnisse aus dem Bericht sind, dass die Banken in die Verbesserung der Leistung ihrer KI-Modelle (Entscheidungsintelligenz) investieren, z. B. für Betrugserkennung, Zahlungsverarbeitung, Kreditrisiko, Kundenintelligenz, Kreditvergabe usw., und dass die größten Herausforderungen im Zusammenhang mit dem Bedarf an besseren Daten stehen. Beachten Sie, dass die fünf größten Hindernisse für die Verbesserung der Entscheidungsintelligenz (KI-Modelle), die von den Banken genannt wurden, alle mit Datenproblemen zusammenhängen.

Der ISG Buyers Guide™ for Data Platforms bewertet Anbieter und Lösungen in acht zentralen Leistungsbereichen – darunter Datenmanagement, Datenabfrage und Data-Engineering-Funktionalitäten. Dieser Report führt die beiden Themen zusammen und verdeutlicht, dass KI-Bereitschaft eine konvergente Datenarchitektur voraussetzt.

"Der Markt für Datenplattformen war traditionell in operative Datenplattformen unterteilt, die Anwendungen für Fachbereiche und Entscheidungsträger zur Steuerung des Unternehmens unterstützen, sowie in analytische Datenplattformen, die typischerweise Anwendungen für Daten- und Business-Analysten bereitstellen, um das Unternehmen zu analysieren. Die zunehmende Bedeutung intelligenter, von KI angetriebener betrieblicher Anwendungen verwischt die Grenzen, die traditionell die Anforderungen an betriebliche und analytische Datenplattformen trennten. Verbraucher erwarten zunehmend datengetriebene Services, die durch Personalisierung und kontextrelevante Empfehlungen überzeugen. Auch mitarbeiterorientierte Anwendungen folgen diesem Trend und adressieren Nutzer gezielt auf Basis ihrer Rollen und Verantwortlichkeiten. Der Übergang zu flexibleren Geschäftsprozessen erfordert ML für reaktionsschnellere Datenplattformen und Anwendungen. Intelligente Anwendungen sind zwar operativ ausgerichtet, basieren jedoch auf analytischer Echtzeitverarbeitung, um Funktionen wie kontextrelevante Empfehlungen, Vorhersagen und Prognosen bereitzustellen, die durch Machine Learning, generative KI und Agenten ermöglicht werden.

Wir sind überzeugt, dass Anbieter von Datenplattformen bis 2027 die Entwicklung hybrider Funktionen für operative und analytische Verarbeitung priorisieren werden, um den Anforderungen intelligenter, durch GenAI getriebener Anwendungen gerecht zu werden."

Bei InterSystems vertreten wir diesen konvergenten Ansatz für das Datenmanagement bereits seit vielen Jahren. Umso mehr freuen wir uns über die Auszeichnung als Leader im aktuellen Buyer’s Guide von ISG, in dem wir unter den 24 führenden Anbietern von Datenplattformen die zweithöchste Gesamtbewertung erzielt haben.

Die Analysten sind sich in diesem Punkt weitgehend einig: KI-fähige Daten gehören zu den entscheidenden Voraussetzungen für den Erfolg von KI-Projekten. Unternehmen, die das Potenzial von KI und GenAI ausschöpfen wollen, benötigen eine Datenbasis, die schnell, zuverlässig und vertrauenswürdig nutzbar ist.

Weitere Informationen zu diesen und anderen Analystenberichten finden Sie auf unserer Analystenseite.