Datenhygiene
Von Pilotprojekten zur Produktivität: KI richtig einsetzen
KI jenseits des Hypes: Was Unternehmen jetzt wirklich brauchen
Von Rick Vanover, Vice President of Product Strategy, Veeam
Rund um Künstliche Intelligenz gibt es derzeit kaum ein anderes Thema, das ähnlich viel Aufmerksamkeit auf sich zieht. Man könnte fast glauben, KI habe unseren Arbeitsalltag bereits vollständig umgekrempelt. In nahezu jedem Unternehmen wird intensiv darüber diskutiert, was KI für das eigene Geschäft bedeutet – strategisch, technologisch, organisatorisch.
Doch viele dieser Diskussionen haben mit der Realität nur wenig zu tun. Denn auch wenn das kaum jemand offen zugibt: Die meisten Unternehmen stecken mit ihren KI-Initiativen noch immer im Experimentierstadium. In den sprichwörtlichen Kinderschuhen. Eine Studie der NANDA-Initiative des MIT bringt es auf den Punkt: 95 Prozent aller KI-Pilotprojekte scheitern oder liefern kaum messbare Ergebnisse. Statt echten Fortschritt zu erzielen, versuchen viele Organisationen vor allem, einen vermeintlichen Mehrwert zu demonstrieren. Was häufig fehlt, ist das Vertrauen – in die eigenen Daten, in die eigenen Prozesse und letztlich auch in den Mut zur echten Innovation.
Daten sind der Dreh- und Angelpunkt
Im Zentrum aller KI-Herausforderungen stehen die Daten. Und genau hier beginnt das Dilemma. Menge, Komplexität und Sensibilität der Daten, die für KI-Anwendungen notwendig sind, können zunächst überwältigend wirken – manchmal sogar lähmend. Der Zugriff auf Daten, ihre Verwaltung und ihre Absicherung werden in einer KI-getriebenen Welt zur Mammutaufgabe. Viele bestehende Resilienz- und Sicherheitskonzepte stoßen dabei an ihre Grenzen. Trotzdem führt kein Weg an solider Datenhygiene vorbei. Wer nicht von Anfang an in Transparenz und Widerstandsfähigkeit investiert, wird KI-Projekte kaum über die Pilotphase hinausbringen. Dann bleibt es bei großen Worten – ohne dass ihnen Taten folgen.
KI beginnt nicht mit Magie, sondern mit sauberen Daten
In der öffentlichen Debatte geht es bei KI oft um visionäre Geschäftstransformationen. Dabei gerät leicht in Vergessenheit, worauf jedes erfolgreiche KI-Projekt tatsächlich aufbaut: auf verlässlichen, sauberen und sicheren Daten.
Ganz gleich ob generative KI, große Sprachmodelle, Anomalie-Erkennung oder Vorhersagemodelle – sie alle werden mit Daten trainiert, arbeiten mit Daten und erzeugen wiederum neue Daten. Kein Wunder also, dass allein in diesem Jahr weltweit rund 181 Zettabyte an Daten erzeugt, kopiert und genutzt werden sollen. Das ist dreimal so viel wie noch vor fünf Jahren. Diese Dimensionen sind kaum noch greifbar – fest steht aber: Es gibt heute deutlich mehr digitale Informationen, als Unternehmen sinnvoll verarbeiten können. Hinzu kommt, dass laut Gartner rund 80 Prozent aller Unternehmensdaten unstrukturiert sind. Früher bedeutete das: Sie wurden gespeichert, gesichert – und ansonsten kaum genutzt. Einen echten Mehrwert daraus zu ziehen, war lange Zeit schlicht nicht möglich. Mit KI ändert sich das erstmals grundlegend.
Doch genau hier verschärft sich das Problem. Die Datenmengen wachsen schneller, als Unternehmen sie ordnen, kategorisieren oder überhaupt überblicken können. Wird auf diesen ohnehin unübersichtlichen Datenbestand noch ein KI-Pilotprojekt aufgesetzt, überrascht es kaum, dass so viele Initiativen scheitern.
Wenn Pilotprojekte scheitern, entsteht Schatten-IT
Gescheiterte KI-Projekte bringen neue Risiken mit sich. Auch wenn viele Unternehmen betonen, klare KI-Richtlinien zu haben, bleibt Schatten-IT ein sehr reales Problem. Wenn offizielle Initiativen ins Stocken geraten, experimentieren Mitarbeitende oft im Hintergrund mit nicht genehmigten KI-Tools. Dieser Trend wird sich fortsetzen, solange es nicht gelingt, Ordnung in die eigenen Daten zu bringen und echte, funktionierende KI-Anwendungen zu etablieren.
Das richtige Fundament entscheidet
KI wird gern als Beginn einer neuen Ära bezeichnet. Ihr Erfolg basiert jedoch auf altbekannten Grundlagen – insbesondere auf guter Datenhygiene. Bestehende Resilienzkonzepte sind nicht überholt, im Gegenteil: Sie sind wichtiger denn je.
Unternehmen müssen wissen, welche Daten sie besitzen, wie kritisch diese sind und welche Auswirkungen ein Verlust hätte. Auf dieser Basis lassen sich Daten priorisieren, angemessen schützen und im Ernstfall gezielt wiederherstellen. Ohne diese Transparenz ist es im Falle eines Cyber- oder Ransomware-Angriffs nahezu unmöglich zu entscheiden, welche Daten für einen Neustart des Geschäftsbetriebs wirklich benötigt werden.
Wichtig ist dabei: Transparenz ist kein einmaliges Projekt. Der Datenstrom nimmt nicht ab – er wächst weiter exponentiell. Deshalb müssen Unternehmen ihre Daten kontinuierlich im Griff behalten. Maßnahmen wie Standardisierung, Validierung und laufende Wirkungsanalysen sind unerlässlich, um nicht unter der eigenen Datenlast begraben zu werden.
KI als Teil der Lösung
Interessanterweise kann KI genau an dieser Stelle selbst zum Werkzeug werden. Die Klassifizierung von Daten zählt zu den größten Automatisierungspotenzialen von KI. Sie hilft, Datenherkunft nachvollziehbar zu machen und Resilienzmaßnahmen zu stärken. Deshalb sollte das erste KI-Projekt vieler Unternehmen nicht spektakulär sein, sondern pragmatisch: Ordnung in die eigenen Daten zu bringen.
Denn je sauberer und strukturierter die Datengrundlage ist, desto leistungsfähiger und verlässlicher wird jede weitere KI-Anwendung. Erst dann entstehen Pilotprojekte, die funktionieren – und langfristig echten Nutzen bringen.
Schritt für Schritt aus den Kinderschuhen
Nicht jede Innovation muss gleich revolutionär sein. Oft reicht es, mit kleinen, kontrollierten Schritten zu beginnen und konkrete Mehrwerte zu schaffen. Statt das Rad neu zu erfinden, sollten Unternehmen mit überschaubaren Initiativen starten, bei denen KI messbare Ergebnisse liefert. Das stärkt das Vertrauen – und zeigt, dass Innovation machbar ist. Auf dieser Basis lassen sich später größere, transformierende Anwendungen entwickeln. Entscheidend ist dabei, die Grundlagen nie aus den Augen zu verlieren: Kosten, Performance und Ausfallsicherheit eines KI-Modells müssen zueinander passen. Prozesse müssen jederzeit nachvollziehbar bleiben. Wenn das nicht mehr gegeben ist, sollte man bewusst innehalten und nachjustieren, bevor etwas außer Kontrolle gerät.
Oder anders gesagt: Auch nach den Kinderschuhen sollte man erst sicher gehen lernen, bevor man losrennt. Wer klein anfängt, nimmt der Angst vor dem Scheitern den Schrecken und kann den tatsächlichen Wert der eigenen Daten erschließen. Mit Geduld, Sorgfalt – und einem gesunden Maß an Respekt – lässt sich KI in echten, nachhaltigen Geschäftswert übersetzen. So wird aus dem KI-Versprechen endlich gelebte Realität.
