KI in der Praxis: Wie hältst du es mit den Daten?

Die grösste Hürde bei der Umsetzung von KI-Use-Cases liegt nicht in den Algorithmen, sondern in den Daten. Viele Unternehmen scheitern weniger an der Technologie selbst als an der Qualität, Verfügbarkeit und Struktur ihrer Datenbasis. Unvollständige, inkonsistente oder schwer zugängliche Daten bremsen Projekte bereits in frühen Phasen aus – oder verhindern, dass aus ersten Prototypen überhaupt produktive Anwendungen entstehen. Eng damit verknüpft ist der Kostenfaktor. KI-Projekte erfordern nicht nur Investitionen in Technologie, sondern vor allem in Datenaufbereitung, Integration und Betrieb. Gerade dieser Aufwand wird häufig unterschätzt. Wer Daten erst bereinigen, harmonisieren und zugänglich machen muss, steht schnell vor erheblichen finanziellen und organisatorischen Herausforderungen. Auch regulatorische Anforderungen und Compliance-Fragen spielen eine wichtige Rolle. Themen wie Datenschutz, Nachvollziehbarkeit von Entscheidungen oder branchenspezifische Vorgaben erhöhen die Komplexität zusätzlich. Unternehmen müssen sicherstellen, dass ihre KI-Anwendungen nicht nur funktionieren, sondern auch rechtlich und ethisch einwandfrei sind – ein Anspruch, der insbesondere in regulierten Branchen hohe Hürden schafft. Hinzu kommt der Mangel an qualifizierten Fachkräften. KI-Projekte erfordern interdisziplinäres Know-how, von Data Engineering über Machine Learning bis hin zu Business-Verständnis. Diese Kombination ist am Markt nach wie vor rar. Gleichzeitig zeigt sich, dass auch die Akzeptanz im Business nicht selbstverständlich ist. Ohne Vertrauen in die Ergebnisse und ohne klare Einbettung in bestehende Prozesse bleiben viele Initiativen isoliert.

Die grosse Mehrheit der Unternehmen bewertet ihre Datenbasis als «mittelmässig» bis «einigermassen gut». Das klingt zunächst solide, ist für den Einsatz von KI jedoch nur bedingt ausreichend. Denn genau hier liegt das Problem: Für viele klassische IT-Anwendungen mag diese Qualität genügen. KI hingegen stellt deutlich höhere Anforderungen. Modelle reagieren sensibel auf Inkonsistenzen, Lücken oder Verzerrungen in den Daten. Was im operativen Alltag noch funktioniert, kann in KI-Anwendungen schnell zu unzuverlässigen oder schwer interpretierbaren Ergebnissen führen.

Ein wesentlicher Grund dafür liegt in der Herkunft der Daten. In vielen Unternehmen stammen grosse Teile der verfügbaren Daten aus strukturierten Systemen wie ERP-Lösungen. Diese Daten sind zwar sauber organisiert und konsistent gepflegt, bilden jedoch primär transaktionale Prozesse ab. Für KI-Anwendungen reicht das oft nicht aus. Es fehlen Kontext, semantische Verknüpfungen oder unstrukturierte Datenquellen, die für weitergehende Analysen und intelligente Modelle entscheidend wären. Die Selbsteinschätzung zeigt damit eine gewisse Diskrepanz. Unternehmen sind sich bewusst, dass ihre Daten nicht schlecht sind – aber eben auch nicht auf einem Niveau, das eine breite, skalierbare Nutzung von KI problemlos ermöglicht. Es fehlt oft an durchgängiger Struktur, einheitlichen Standards und klarer Governance. Daten liegen in Silos, sind historisch gewachsen oder nur eingeschränkt zugänglich. Genau diese «graue Zone» wird zum entscheidenden Faktor. Sie erklärt, warum viele KI-Initiativen zwar starten, aber nicht über Pilotphasen hinauskommen. Ohne eine verlässliche Datenbasis lassen sich Use-Cases nur begrenzt skalieren und Mehrwerte nur punktuell realisieren.

Die Herausforderung liegt weniger darin, überhaupt Daten zu haben, sondern darin, sie in eine Qualität und Breite zu bringen, die den Anforderungen moderner KI-Anwendungen gerecht wird.

Ein weiterer zentraler Aspekt, der die praktische Nutzung von KI prägt, ist die Frage nach Daten- und Anbieterstandorten. Für eine klare Mehrheit der Unternehmen kommt nur eine Lösung infrage, bei der Daten in der Schweiz oder zumindest in der EU verarbeitet und gespeichert werden. Dahinter steht ein wachsendes Bewusstsein für digitale Souveränität, regulatorische Anforderungen und die Kontrolle über sensible Unternehmensdaten. Diese Haltung ist nachvollziehbar – und gleichzeitig problematisch. Denn die führenden KI-Technologien und Plattformen stammen heute überwiegend von US-Anbietern.

Wer auf deren Innovationskraft zugreifen will, bewegt sich zwangsläufig in einem Spannungsfeld zwischen technologischer Leistungsfähigkeit und regulatorischer Sicherheit. Damit entsteht ein weiteres, sehr konkretes Dilemma: Unternehmen möchten moderne KI nutzen, gleichzeitig aber die volle Kontrolle über ihre Daten behalten und regulatorische Risiken minimieren. Lokale oder europäische Alternativen sind zwar im Aufbau, erreichen jedoch oft noch nicht die gleiche Reife, Skalierung oder Funktionsvielfalt wie die globalen Plattformen. In der Praxis führt das zu komplexen Abwägungen. Einige Unternehmen setzen auf hybride Ansätze, andere warten bewusst ab oder schränken ihre Use-Cases ein. KI wird damit nicht nur zu einer technologischen, sondern auch zu einer geopolitischen und strategischen Fragestellung. Das Thema Souveränität wirkt somit wie ein zusätzlicher Filter.

KI ist in den Unternehmen angekommen, das ist klar, aber die entscheidenden Hürden liegen in der Umsetzung. Nicht die Technologie selbst bremst, sondern die Voraussetzungen – allen voran Datenqualität, Integration und Governance. Viele Organisationen verfügen über solide, oft ERP-geprägte Daten, doch für anspruchsvolle KI-Anwendungen reicht dieses Fundament nur bedingt aus. Hinzu kommen strukturelle und externe Faktoren. Kosten, fehlende Fachkräfte und regulatorische Anforderungen erschweren die Skalierung. Besonders die Frage der Datensouveränität verschärft die Situation zusätzlich und zwingt Unternehmen zu strategischen Abwägungen zwischen Innovation und Kontrolle.

So entsteht ein klares Bild: KI-Use-Cases sind vorhanden und liefern erste Ergebnisse, doch der Weg zur breiten, nachhaltigen Nutzung ist anspruchsvoll Das bedeutet sowohl für IT- als auch für Business-Verantwortliche, sich ein umfassendes Anwendungsbild zu verschaffen. Der eigentliche Hebel liegt nicht in neuen Tools, sondern in der konsequenten Weiterentwicklung von Datenbasis, Prozessen und Organisation. Wer diese Hausaufgaben macht, kann das Potenzial von KI auch in der Praxis ausschöpfen.