Eindeutige Daten und ein klarer strategischer Fokus bestimmen, wie weit KI in der Wertschöpfungskette wirkt

21 oder 95 %. Zwischen diesen beiden Werten lag bei Anthropic die Genauigkeit, mit der Claude Fragen zur Geschäftsanalyse beantwortete.¹ Die 21 Prozent erreichte das Modell ohne kuratierte Grundlage. Über 95 Prozent waren es, nachdem das Datenteam gesteuerte Datenmodelle, verbindliche Definitionen und eine laufende Validierung aufgebaut hatte. Für jede Organisation, die KI skalieren will, ergibt sich daraus eine klare Reihenfolge: Eine eindeutige Datensprache und der strategische Fokus auf die wertvollsten Anwendungsfälle machen aus einzelnen KI-Erfolgen eine dateninspirierte Organisation, die entlang der gesamten Wertschöpfungskette schneller und besser entscheidet.

Verlässliche Daten schaffen den finanziellen Vorsprung

Meine Auswertung internationaler Studien der Jahre 2021 bis 2023 zeigt über Branchen und Unternehmensgrößen hinweg ein wiederkehrendes Muster. Dateninspirierte Unternehmen erzielen im Vergleich zu ihrem Wettbewerb im Schnitt rund 9 Prozent mehr Umsatz und rund 9 Prozent mehr Gewinn. Ihre Kostenbasis liegt durchschnittlich etwa 5 Prozent niedriger, je nach Branche zwischen 5 und 15 Prozent.

Laut Bitkom sehen nur 6 Prozent der deutschen Unternehmen das Potenzial ihrer Daten vollständig ausgeschöpft, 60 Prozent nutzen es wenig oder gar nicht.² Der Vorsprung der Spitzengruppe beruht auf verlässlichen Daten.

Auch der Blick auf KI verengt sich häufig auf Kostensenkung und Personalabbau. Dabei verkürzt KI als Entscheidungsunterstützung die Zeit bis zur Entscheidung, senkt Fehlerquoten und komprimiert Durchlaufzeiten. Mitarbeitende, die bisher Fehler korrigiert haben, gewinnen Zeit für kreative Aufgaben in der Wertschöpfungskette. Hinzu kommen ein besseres Kundenerlebnis, gesichertes Unternehmenswissen und eine kürzere Time-to-Market.

Vier Reifegrade und drei Prinzipien einer Data Inspired Culture

Wo eine Organisation heute steht, lässt sich an vier Reifegraden ablesen. Auf der Stufe Data to Insight liefern Daten erste Erkenntnisse, aus denen selten Maßnahmen folgen. Data to Impact setzt Erkenntnisse in Verbesserungen um, meist begrenzt auf einzelne Bereiche. Auf dieser Stufe bewegt sich derzeit ein großer Teil der KI-Initiativen. Data to Change stellt Prozessketten, Strukturen und die Verantwortung für komplette Abläufe infrage. Data to Transform nutzt Daten und KI für neue Geschäftsmodelle, baut die Organisation darum herum auf und denkt Kultur neu, von der Führungsebene bis in die Fachbereiche.

Für das Data Inspired Transformation Program, das ich in meiner Zeit in der Logistik aufgebaut habe, standen drei Prinzipien im Mittelpunkt. Integrität bedeutet, Entscheidungen auf korrekten, konsistenten und aktuellen Daten zu treffen. Damit sind Datenqualität und Data Governance bereits im ersten Grundsatz verankert. Mut heißt, Erkenntnissen aus Daten Vorrang vor dem Bauchgefühl zu geben und die Entscheidungsqualität so stetig zu verbessern. Ehrlichkeitverlangt evidenzbasierte Entscheidungen und Transparenz darüber, wie sie zustande kommen.

KI-Konvergenz braucht eine gemeinsame Datensprache

Das McKinsey Global Institute hat den Produktivitätsschub großer Technologiewellen verglichen. Die Dampfmaschine brachte zwischen 1850 und 1910 jährlich rund 0,3 Prozent, frühe Robotik 0,4 Prozent und die IT 0,6 Prozent. Für die Automatisierung schätzt McKinsey 0,8 bis 1,4 Prozent pro Jahr.³ Im KI-Konvergenzzeitalter entsteht dieses Potenzial dort, wo Classical AI, generative und agentische KI sowie Robotik und Embodied AI mit IT und durchgängigen Daten zusammenwirken und komplette Wertschöpfungsketten abbilden. Mit KI wird das Versprechen der Digitalisierung jetzt tatsächlich einlösbar.

Daten sind der Klebstoff dieser Konvergenz. Die Organisation richtet Kultur, Leadership und Prozesse so aus, dass menschliche und maschinelle Fähigkeiten auf der Wertschöpfungskette ineinandergreifen. Ein Software-Layer, der sich mit KI an die eigenen Prozesse anpasst, schafft Differenzierung im Wettbewerb. Die Basis bildet eine durchgängige Infrastruktur mit einer Governance, die IT-, Data-, Security- und AI-Governance zusammenführt.

Wie stark eine einzelne Governance-Entscheidung wirkt, zeigt die Fertigung des Tarnkappenjets J-20 bei der Chengdu Aircraft Corporation. Dutzende Maschinen sprachen dort unterschiedliche Protokolle. Erst die Verpflichtung aller Anlagen auf einen gemeinsamen Datenstandard ermöglichte eine hochautomatisierte Linie, deren Produktionseffizienz sich Berichten zufolge mehr als verdoppelt hat.⁴

Mehrdeutigkeit behindert Menschen und KI gleichermaßen. Versteht das Controlling unter einer Kennzahl etwas anderes als das operative Geschäft, entstehen mehrdeutige Aussagen. Steht ein Kunde dreifach im Datenbestand, summiert sich sein Kreditlimit dreifach, die Bonitätsprüfung wird dreimal bezahlt und dieselbe Werbung kommt dreimal an. Risiko und Werbekosten steigen, und der verärgerte Kunde wandert im Zweifel ab. Eine KI, die solche Prozesse autonom abarbeitet, erzielt auf dieser Grundlage kein besseres Ergebnis als ein Mensch.

In der Kontraktlogistik hat eine einheitliche Datensprache über Transport, Warehouse, Last Mile, E-Commerce und Smart Building den Weg für Datenprodukte geöffnet, die retrospektive Analysen, Near-Real-Time-Steuerung und mehrwöchige Prognosen verbinden. Auf derselben Datenbasis lässt sich beantworten, ob morgen 5.000 Pakete pünktlich ankommen und wie Lagerhaltung, Beladung und Personaleinsatz optimal geplant werden.

Datenprodukte und Data Contracts machen Governance maschinenlesbar

Ein Datenprodukt strukturiert Daten so, dass sie einen hohen Wiederverwendungswert erreichen und mehrere Anwendungsfälle in gleicher Qualität bedienen. Es adressiert einen klaren Business Value, wird mit Roadmap, Versionierung und Verantwortlichkeiten entwickelt, ist verständlich dokumentiert, mit anderen Datenprodukten kombinierbar und unterliegt klaren Regeln zu Zugriff, Datenschutz und Accountability.

Diese Regeln lassen sich wirksam nur digital steuern. Jedes Datenprodukt erhält deshalb einen Data Contract, den Menschen und KI gleichermaßen lesen können. Der offene Standard ODCS v3 gliedert ihn in elf Komponenten, von Fundamentals, Schema und Data Quality über Team, Terms of Use, SLA und Security bis zu Infrastructure, Pricing, Business Rules und Custom Properties.⁵ So weiß ein KI-Agent, in welchem Rahmen er handeln darf. PDF, PowerPoint und Word sind für KI die ungünstigsten Formate. Klar strukturierte Markdown- und YAML-Dateien lassen sich von Menschen gut lesen und von KI direkt nutzen.

Fokus entscheidet über den Hebel

Keine Organisation kann mit ihren Kompetenzen, Kapazitäten und Finanzmitteln alles gleichzeitig verfolgen. Die Data & AI Strategy leitet sich deshalb aus dem strategischen Fokus ab: Will die Organisation über Effizienz, Qualität, Kundennutzen, Nachhaltigkeit oder Wachstum gewinnen? Wer wachsen will und kein Kostenproblem hat, setzt KI beim Vertriebswachstum an. Die möglichen Business Cases werden auf einer strategischen Wert-Roadmap nach diesem Ziel priorisiert.

„Organisationen, die KI erfolgreich skalieren, beginnen beim strategischen Fokus und arbeiten sich von dort zur Datenbasis vor.“

Von dort führt ein konkreter Weg zurück zur Datenbasis. Wer Kunden besser verstehen will, um Up- und Cross-Selling zu stärken, braucht Daten zur Customer Journey und klärt, woher sie stammen, wie redundant sie vorliegen und in welcher Qualität. Daraus ergeben sich Data-Management-Prozesse, Verantwortung, Organisation und die Stellen, an denen KI eingesetzt wird. Was in diesem ersten Strang an Technologie, Vorgehen und Kompetenz entsteht, überträgt die Organisation auf den nächsten Case und kommt so vor die Welle. Data Governance zahlt dabei in fünf bereits budgetierte Felder ein: Analytics und Entscheidungsunterstützung, Compliance und Risikomanagement, digitale Transformation und Automatisierung, Operational Excellence sowie Zusammenarbeit und Datenkompetenz.⁶

Bharat N. Anand und Andy Wu beschreiben, warum Zeitgewinne durch generative KI oft nicht im Ergebnis ankommen.⁷ Potenzielle Rentabilität geht verloren, wenn geeignete Aufgaben unerkannt bleiben, Mitarbeitende nicht geschult und eingebunden sind oder frei gewordene Kapazitäten ungenutzt bleiben. Systemisch wird es, wenn nachgelagerte Prozesse den höheren Durchsatz nicht aufnehmen, die Marktnachfrage fehlt oder Wettbewerber denselben Effizienzgewinn über die Preise weitergeben. In der Summe merkt der Kunde von der internen Verbesserung nichts. Die Rentabilität versickert auf dem Weg durch die Wertschöpfungskette. Deshalb sind hier alle Führungskräfte gefordert, für Markt und Wettbewerbsfähigkeit der CEO gemeinsam mit der Geschäftsleitung.

Für die Frage, wo generative KI arbeiten soll, bieten die beiden Autoren eine Matrix aus der Art des benötigten Wissens und den Kosten eines Fehlers. Bei expliziten Daten und geringem Fehlerrisiko erledigt KI die Arbeit allein. Bei hohem Risiko prüft der Mensch das Ergebnis und setzt den Governance-Rahmen. Bei implizitem Wissen schafft KI Optionen, aus denen der Mensch auswählt, und wo zusätzlich viel auf dem Spiel steht, führt der Mensch. Je mehr implizites Wissen in explizite Daten überführt wird, desto größer wird der Raum für Automatisierung.

Von Schatten-KI zu Human-in-the-Lead

Die Entwicklung verläuft in fünf Stufen. Sie beginnt häufig mit Schatten-KI, weil Mitarbeitende eigene Wege finden, wenn die Organisation zu langsam ist. Es folgen punktuelle KI-Tools. Die großen Produktivitätsgewinne setzen mit digitalen Wissenszwillingen ein, in denen implizites Wissen kuratiert und als explizite Daten verfügbar wird, einschließlich der Entscheidung, welches Wissen relevant bleibt. Veraltetes Wissen erzeugt Drift in KI-Systemen und Fehlentscheidungen bei Menschen. Darauf bauen agentische Workflows auf, die teilautonom im Governance-Rahmen arbeiten. Auf der fünften Stufe gibt der Mensch das Ziel vor. Agenten arbeiten autonom entlang der Wertschöpfungskette und melden sich, sobald ein Ziel unklar ist oder ein gravierender Fehler auftritt. Die Denkarbeit verlagert sich damit vor den Prozess.

Organisationen, die KI erfolgreich skalieren, beginnen beim strategischen Fokus und arbeiten sich von dort zur Datenbasis vor. Sie etablieren Datenverantwortung entlang der priorisierten Wertschöpfungsketten, schaffen mit Datenprodukten und Data Contracts eine Datensprache, die Menschen und Agenten gleichermaßen verstehen, und überprüfen mit einem Value Steering Model von Meilenstein zu Meilenstein, ob der geplante Wert tatsächlich entsteht. Für jedes Führungsteam lautet die Frage deshalb: Welcher Business Case hat in Ihrer Organisation den größten Hebel, und wie eindeutig ist die Datensprache, auf der er aufbaut?

Take-aways für Führungskräfte

Erfolgsfaktoren einer Data & AI Inspired Organization

• Verlässliche Daten: Der Vorsprung dateninspirierter Unternehmen bei Umsatz, Gewinn und Kosten beruht auf der Verlässlichkeit ihrer Daten.
• Eindeutige Datensprache: Einheitliche Definitionen und Datenstandards bestimmen, ob KI mit 21 oder mit über 95 Prozent Genauigkeit arbeitet.
• Kultur aus Integrität, Mut und Ehrlichkeit: Entscheidungen beruhen auf korrekten Daten, Erkenntnisse erhalten Vorrang vor dem Bauchgefühl, und Entscheidungswege sind transparent.
• Konvergente Governance: IT-, Data-, Security- und AI-Governance bilden einen gemeinsamen Rahmen, in dem Menschen und Agenten handeln.
• Datenprodukte mit Data Contracts: Wiederverwendbare, qualitätsgesicherte Datenprodukte mit maschinenlesbaren Regeln machen KI skalierbar.
• Strategischer Fokus: KI wirkt am stärksten dort, wo sie am strategischen Ziel der Organisation ansetzt und nach ihrer Hebelwirkung priorisiert wird.

Handlungsempfehlungen

• Den strategischen Fokus festlegen, etwa Effizienz, Qualität, Kundennutzen, Nachhaltigkeit oder Wachstum, und die Data & AI Strategy daraus ableiten.
• Business Cases auf einer Wert-Roadmap priorisieren und den wichtigsten Strang vom Ziel bis zur Datenbasis konsequent umsetzen.
• Datenverantwortung entlang der priorisierten Wertschöpfungsketten etablieren.
• Den eigenen Reifegrad offen bestimmen und den Weg von lokalen Verbesserungen (Data to Impact) über Data to Change bis zu Data to Transform planen.
• Die Wertschöpfungskette als Ganzes ausrichten: frei gewordene Kapazitäten umverteilen, nachgelagerte Prozesse anpassen und Verbesserungen so gestalten, dass sie beim Kunden ankommen.
• Einsatzorte für generative KI nach Art des Wissens und Kosten eines Fehlers festlegen und implizites Wissen gezielt in explizite Daten überführen.
• Mit einem Value Steering Model von Meilenstein zu Meilenstein prüfen, ob der geplante Wert tatsächlich entsteht.

Zum Hintergrund

Dieser Artikel fasst meinen Vortrag „Data Inspired Organization - Strategien, die KI erfolgreich skalieren lassen“ zusammen, den ich am 10. September 2026 beim Lunch & Learn @ KDN - Dachverband Kommunaler IT-Dienstleister gehalten habe. Die Veranstaltung fand in Kooperation mit der Hays AG statt.

Weitere interessante Artikel:

• Advisory | Impulse Talks | Trainings
• Governance beginnt an der Quelle
• KI als Treiber der Konvergenz
• Das KI-Betriebssystem entscheidet sich in der Datenbasis
• Dateninspirierte Führung: Vier Modi, eine Metakompetenz, ein struktureller Vorsprung

Quellen

¹ Anthropic (2026): How Anthropic enables self-service data analytics with Claude. https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude

² Bitkom e. V. (2024): Deutsche Unternehmen nutzen ihre Daten kaum. Presseinformation zur Studie Data Economy 2024. https://www.bitkom.org/Presse/Presseinformation/Deutsche-Unternehmen-nutzen-ihre-Daten-kaum

³ McKinsey Global Institute (2017): A future that works: Automation, employment, and productivity. https://www.mckinsey.com/featured-insights/digital-disruption/harnessing-automation-for-a-future-that-works

⁴ Focus Online (2026): Roboter schuften in dunklen Fabriken, China baut fast nonstop neue J-20-Tarnkappenjets. https://www.focus.de/politik/ausland/roboter-schuften-in-dunklen-fabriken-china-baut-fast-nonstop-neue-j-20-tarnkappenjets_c3b4908b-fe3f-4ab6-85bd-ca4b81d12a05.html sowie South China Morning Post (12.05.2026): China's dark factory more than doubles production efficiency for J-20 jets. https://www.scmp.com/news/china/science/article/3353253/chinas-dark-factory-more-doubles-production-efficiency-j-20-jets

⁵ The Data Economist: Governance zu digitalisieren ist keine Option mehr. https://www.the-data-economist.com/blog/blog-datenqualitaet-informationsqualitaet/governance-zu-digitalisieren-ist-keine-option-mehr

⁶ Bollweg, Lars Michael (2021): Data Governance für Manager. Springer Gabler. https://link.springer.com/book/10.1007/978-3-662-63562-9

⁷ Anand, Bharat N.; Wu, Andy (2025): The Gen AI Playbook for Organizations. Harvard Business Review, November/Dezember 2025; deutsche Fassung im Harvard Business Manager, Januar 2026. Frei zugängliche Zusammenfassung: https://www.hbs.edu/faculty/Pages/item.aspx?num=68100