Ist Ihre Dateninfrastruktur bereit für KI?

Viele Unternehmen investieren in Künstliche Intelligenz, prüfen aber zu selten die Grundlage, auf der ihre KI-Anwendungen arbeiten.

Eine verlässliche, aktuelle und flexibel nutzbare Dateninfrastruktur entscheidet jedoch maßgeblich darüber, ob KI-Projekte dauerhaft funktionieren und wirtschaftlich betrieben werden können.

KI beginnt nicht beim Modell

Leistungsfähige Sprachmodelle und KI-Agenten sind inzwischen verfügbar. Für Unternehmen stellt sich deshalb zunehmend eine andere Frage: Sind die eigenen Daten überhaupt bereit für deren Einsatz?

Veraltete Informationen, Datensilos, zahlreiche Kopien und schwer wartbare Schnittstellen können KI-Projekte erheblich ausbremsen. Gleichzeitig steigen mit generativer KI und agentenbasierten Anwendungen die Anforderungen an Datenmenge, Aktualität und Skalierbarkeit.

Tobias Knieper, Senior Manager EMEA Marketing bei Fivetran + dbt Labs, hat deshalb acht Fragen zusammengestellt, mit denen Unternehmen ihre Datenarchitektur überprüfen können.

1. Gibt es eine gemeinsame Datenbasis?

Wenn unterschiedliche Abteilungen mit verschiedenen Versionen derselben Informationen arbeiten, entstehen schnell widersprüchliche Ergebnisse. Das gilt nicht nur für klassische Analysen, sondern auch für KI-Anwendungen.

Zusätzliche Kopien erhöhen zudem Speicherbedarf, Kosten und Verwaltungsaufwand. Ziel moderner Datenarchitekturen sollte deshalb sein, Informationen möglichst zentral und konsistent bereitzustellen, damit verschiedene Teams und Anwendungen darauf zugreifen können.

2. Können Daten unabhängig von einer Plattform genutzt werden?

Eine wichtige strategische Frage betrifft die Abhängigkeit von einzelnen Anbietern. Unternehmen sollten prüfen, wie einfach sich ihre Daten aus bestehenden Plattformen herauslösen und in anderen Umgebungen verwenden lassen.

Offene Datenformate und interoperable Architekturen können dabei helfen, einen Vendor Lock-in zu vermeiden. Das Konzept der Open Data Infrastructure setzt genau hier an: Daten sollen unabhängig von einzelnen Plattformen für unterschiedliche Anwendungen und KI-Technologien nutzbar bleiben.

3. Wie aktuell sind die Informationen?

Eine KI kann nur mit den Informationen arbeiten, die ihr zur Verfügung stehen. Werden Daten erst Stunden oder Tage nach ihrer Entstehung verfügbar, kann das die Qualität von Analysen und automatisierten Entscheidungen beeinträchtigen.

Daten sollten deshalb möglichst automatisiert und mit geringer Verzögerung aus den relevanten Quellsystemen übernommen werden. Entscheidend ist dabei nicht nur Geschwindigkeit, sondern auch Vollständigkeit.

4. Wie aufwendig ist die Anbindung neuer Quellen?

Unternehmen arbeiten heute mit einer wachsenden Zahl von CRM-, ERP-, SaaS- und Marketing-Systemen. Jede neue Datenquelle kann damit zu einem zusätzlichen Integrationsprojekt werden.

Eine moderne Datenarchitektur sollte neue Quellen möglichst schnell aufnehmen können. Standardisierte Konnektoren können dabei den Entwicklungsaufwand reduzieren und verhindern, dass jede Schnittstelle individuell programmiert und dauerhaft gepflegt werden muss.

5. Wie viel Arbeitszeit fließt in die Wartung?

Data Engineers sollten möglichst wenig Zeit damit verbringen, defekte Datenpipelines zu reparieren oder Änderungen an APIs manuell nachzuvollziehen.

Je mehr individuelle Schnittstellen und selbst entwickelte Datenpipelines vorhanden sind, desto größer wird der laufende Wartungsaufwand. Automatisierte und standardisierte Integrationsprozesse können Teams entlasten und Kapazitäten für Datenanalyse, Governance und KI-Anwendungen freimachen.

6. Hält die Infrastruktur mit steigenden KI-Lasten Schritt?

Generative KI und autonome Agenten können deutlich höhere Daten- und Abfragelasten erzeugen als klassische Business-Intelligence-Anwendungen. Eine Datenarchitektur, die für heutige Anforderungen ausreicht, muss deshalb nicht automatisch für zukünftige KI-Workloads geeignet sein.

Unternehmen sollten daher nicht nur die technische Skalierbarkeit prüfen, sondern auch die Kostenentwicklung. Architekturen, bei denen Speicher und Rechenleistung flexibel voneinander getrennt werden können, bieten dabei zusätzliche Möglichkeiten zur bedarfsgerechten Skalierung.

7. Versteht die KI auch den geschäftlichen Kontext?

Datenzugriff allein reicht für zuverlässige KI-Anwendungen nicht aus. Ein Modell muss auch verstehen können, was bestimmte Tabellen, Kennzahlen und Geschäftsbegriffe tatsächlich bedeuten.

Ein semantischer Layer kann diese Lücke schließen. Er übersetzt technische Datenstrukturen in einen Geschäftskontext und stellt Beziehungen zwischen verschiedenen Informationen her. Dadurch erhalten KI-Modelle und Agenten zusätzliche Informationen, die für belastbare Analysen und Entscheidungen erforderlich sind.

8. Ist die Herkunft der Daten nachvollziehbar?

Mit zunehmenden regulatorischen Anforderungen wird die Frage nach der Herkunft von Daten immer wichtiger. Unternehmen sollten nachvollziehen können, aus welcher Quelle eine Information stammt, welche Verarbeitungsschritte sie durchlaufen hat und wann Veränderungen vorgenommen wurden.

Data Lineage schafft dafür die notwendige Transparenz. Sie kann nicht nur bei Anforderungen aus DSGVO und EU AI Act unterstützen, sondern auch für interne Governance und die Bewertung von KI-Ergebnissen relevant sein.

Offene Datenstrukturen werden zum Wettbewerbsvorteil

Die acht Fragen zeigen, dass erfolgreiche KI-Projekte nicht allein eine Frage der Modellqualität sind. Ebenso entscheidend sind Datenqualität, Aktualität, Zugänglichkeit, Herkunft und die Möglichkeit, Informationen flexibel zwischen verschiedenen Systemen zu nutzen.

Genau hier setzt die Idee einer Open Data Infrastructure an. Eine offene Datenarchitektur soll Unternehmen ermöglichen, Daten unabhängig von einzelnen Anbietern zu verwenden, neue Technologien schneller anzubinden und ihre Infrastruktur an veränderte KI-Anforderungen anzupassen.

Wer seine Datenbasis heute auf diese Anforderungen vorbereitet, schafft damit nicht nur bessere Voraussetzungen für aktuelle KI-Projekte. Gleichzeitig entsteht eine Infrastruktur, die auch dann flexibel bleiben kann, wenn sich Modelle, Anwendungen und Datenmengen in den kommenden Jahren weiter verändern.

(red/Fivetran)