Daten – das neue Betriebssystem

Es ist kurz nach neun. Auf dem Konferenztisch liegen drei Präsentationen mit demselben Titel: alle aus dem eigenen Haus, alle mit einem anderen Ergebnis. Die Finanzabteilung warnt vor sinkender Marge, der Vertrieb wittert Wachstum und das Marketing präsentiert Kundendaten, die beides gleichzeitig zu belegen scheinen. Die Grundlage? Dieselben Daten, aus denselben Systemen, und doch drei völlig verschiedene Realitäten.

Das datengetriebene Unternehmen

In Unternehmen, die Daten zwar sammeln, aber nicht orchestrieren, gehören solche Szenen zum Alltag. Wer Daten lediglich als Beiprodukte operativer Prozesse betrachtet, die zu Berichten verarbeitet werden, und nicht als Steuerungsinstrumente, mit deren Hilfe strategische Entscheide gefällt werden, verschenkt nicht nur analytisches Potenzial, sondern auch die Fähigkeit, sein Unternehmen evidenzbasiert weiterzuentwickeln.

Was wäre, wenn die eingangs geschilderte Szene der Vergangenheit angehörte? Das wird möglich, wenn Unternehmen als »datengetriebene Organismen« verstanden werden, in denen Daten das Betriebssystem sind. Sie sind die Grundlage, auf der Entscheidungen laufen. Folgende drei Entwicklungen ermöglichen dies: die Reifung des modernen Data Stacks (MDS), das Aufkommen belastbarer Data-Governance-Frameworks und der Einzug generativer KI als Entscheidungsassistent.

Architektur als Wettbewerbsvorteil

Vor zehn Jahren war der Datenfluss in den meisten Unternehmen linear und langsam: Daten wurden aus Systemen exportiert, in Data Warehouses geladen, von Analysten aufbereitet und schliesslich als PowerPoint präsentiert. Die Latenz zwischen Ereignis und Entscheidung betrug Wochen.

Moderne Data-Stacks setzen heute auf Echtzeit-Streaming, flexible Lakehouse-Architekturen, automatisierte Datentransformation (dbt) und semantische Layer, die sicherstellen, dass «Umsatz» im Marketing und Controlling dasselbe bedeutet. Am Ende dieser Kette stehen BI-Tools, operative Dashboards und zunehmend auch KI-Assistenten, die Fragen in natürlicher Sprache beantworten.

Ein anschauliches Beispiel hierfür liefert Zalando. Der Berliner Modehändler betreibt eine umfangreiche, datengetriebene Plattform, in der Demand Forecasting, Logistik und Preisoptimierung organisationsweit eingebettet sind. Ein einheitlicher semantischer Layer stellt sicher, dass zentrale Metriken – etwa der Net Merchandise Value (NMV) – überall identisch berechnet werden: ob im Dashboard, im Datenmodell oder im KI-Agenten. KI-gestützte Grössenempfehlungen haben die Retourenquote messbar gesenkt. Dies ist ein direktes Ergebnis datengetriebener Entscheidungslogik, die tief in den operativen Prozess eingebettet ist, wobei das Konzept des Single Source of Truth (SSOT) entscheidend ist: eine zertifizierte Metrik, aus einer einzigen, validierten Datenpipeline. Wer von «Marge» spricht, meint dasselbe – abteilungsübergreifend.

Governance: Die unsichtbare Infrastruktur

Doch Architektur allein genügt nicht. Die grösste Schwachstelle in Unternehmen ist nicht fehlende Technologie, sondern fehlende Verlässlichkeit. Gemäss dem Ataccama Data Trust Report 2025 nennen 68 Prozent der Chief Data Officers (CDOs) Datenqualität als ihre grösste Herausforderung. Nur ein Drittel der Unternehmen macht nennenswerte Fortschritte bei der KI-Einführung. Daten, denen man nicht vertraut, werden nicht genutzt. Ohne Eigentümer veralten sie, ohne Kontext führen sie in die Irre.

Die Antwort lautet: Data Governance. Während das alte Modell zentralistisch war, folgt das neue dem Prinzip des Data Mesh: Dateneigentümerschaft wird dezentralisiert, jede Geschäftseinheit ist verantwortlich für ihre eigenen Datenprodukte – mit klar definierten Qualitätsstandards, Zugriffsregeln und Data Contracts.

Die ING Bank hat diesen Weg konsequent beschritten, indem sie die Dateneigentümerschaft von einem zentralen Team auf die relevanten Geschäftsdomänen dezentralisierte, um schneller zu skalieren und Datenprodukte rascher bereitzustellen. Governance-Standards sind als Mindestanforderungen in alle Datenpipelines eingebettet und werden proaktiv und automatisiert überwacht. Im Audit-Bereich konnte die ING den Aufwand einzelner Prüfschritte durch Automatisierung von mehreren Tagen auf Minuten reduzieren. Dies zeigt, was durchgängige Data Governance in regulatorisch anspruchsvollen Umgebungen leisten kann.

Governance ist keine Bremse, sondern ein Beschleuniger. Wer weiss, woher Daten stammen, wer sie validiert hat und welche Geschäftsdefinition ihnen zugrunde liegt, kann schnell und sicher entscheiden. Wer das nicht weiss, zögert oder entscheidet falsch. Ohne diese Grundlage bleibt generative KI im Unternehmenskontext ein riskantes Experiment. Ein Large Language Model (LLM), das auf ungeklärten, widersprüchlichen oder dekontextualisierten Daten operiert, halluziniert nicht nur technisch, sondern strategisch: Es liefert plausibel klingende Antworten auf Basis falscher Prämissen. Governance ist deshalb nicht die Vorbereitung auf KI, sie ist deren Funktionsbedingung.

KI als Entscheidungsassistent

Die wohl sichtbarste Entwicklung im Managementalltag ist der Einzug generativer KI im Entscheidungsprozess: nicht als Chatbot im Kundendienst, sondern als Analyst, der jederzeit verfügbar ist, keine Agenda hat und keine Scheu vor unbequemen Zahlen kennt. Führungskräfte stellen Fragen in natürlicher Sprache und erhalten innerhalb von Sekunden Antworten auf Basis validierter Datenprodukte, inklusive Ursachenanalysen und Handlungsvorschlägen. Grundlage sind Semantic Layer in Verbindung mit LLMs, die auf den unternehmenseigenen Datenkontext zugreifen.

Siemens Energy zeigt, wie weit das in der Industrie reicht. Das Unternehmen nutzt Digital-Twin-Technologie, um Turbinen und Kraftwerke weltweit virtuell abzubilden und Predictive Maintenance datengestützt zu betreiben. Ein konkretes Ziel: Korrosionsbedingte Stillstände an Wärmerückgewinnungsanlagen zu reduzieren. Siemens Energy schätzt, dass bereits eine Reduktion der Ausfallzeit um zehn Prozent der Industrie jährlich 1,7 Milliarden Dollar einsparen würde. Externe Fallstudien zu vergleichbaren Deployments berichten von Reduktionen ungeplanter Stillstände um rund 30 Prozent.  Entscheidungen, die früher auf Erfahrung und Bauchgefühl beruhten, werden so datengestützt und proaktiv getroffen. Das ist der eigentliche Paradigmenwechsel: Daten beschreiben nicht mehr nur, was war. Sie steuern, was wird.

Datengetriebene Entscheidungen haben jedoch Grenzen. Modelle bilden nur die Vergangenheit ab. In schnell wandelnden Märkten oder bei strukturellen Brüchen versagen sie, was Modellbias zu einem realen Risiko macht. Verzerrte Daten führen zu verzerrten Empfehlungen – mit hoher Konfidenz. Ebenso unterschätzt, aber nicht minder gefährlich, ist Overconfidence in Datenmodelle. Ein Dashboard, dem alle vertrauen, kann gefährlicher sein als drei widersprüchliche Präsentationen, die zumindest zur Diskussion zwingen. Hinzu kommen Datenschutz- und regulatorische Anforderungen, die gerade im europäischen Kontext den Einsatz von KI auf Personendaten eng begrenzen. Datengetriebene Führung bedeutet deshalb nicht, dem Modell zu folgen, sondern es kritisch zu befragen.

Datenkultur ist entscheidend

Wer diesen Weg geht, beginnt häufig mit der Technologieauswahl. Das ist legitim, aber nachrangig. Die eigentliche Frage lautet: Welche Entscheidungen sollen schneller, besser und verlässlicher getroffen werden und wer trägt dafür die Verantwortung? Gartner warnte bereits 2024, dass Chief Data und Analytics Officers (CDAOs), die keinen messbaren Einfluss auf das Geschäft nachweisen können, mittelfristig in rein technische Funktionen abgedrängt werden.  Das ist kein technisches, sondern ein kulturelles Signal.

Datenkultur entscheidet letztlich mehr als Datenarchitektur. Wenn Führungskräfte Dashboards aufgrund mangelnden Vertrauens ignorieren, helfen auch die besten Pipelines nichts. Wenn Teams Daten als Kontrollmechanismus statt Navigationshilfe wahrnehmen, bleibt der Wandel aus. Transformation braucht daher drei Dinge gleichzeitig: technische Exzellenz, klare Governance und eine Führungskultur, die Entscheidungen an Daten knüpft, statt Daten zur Rechtfertigung von Entscheidungen zu verwenden.

Ein bewährtes Vorgehen folgt drei Phasen: In der ersten Phase (Fundament) werden kritische Entscheidungsprozesse identifiziert und die dafür nötige Datenbasis bereinigt und zertifiziert. Technologie spielt hier eine untergeordnete Rolle; wichtiger sind klare Dateneigentümerschaft und messbare Qualitätsstandards. In der zweiten Phase (Skalierung) werden Governance-Strukturen auf weitere Geschäftsbereiche ausgerollt, semantische Layer eingeführt und erste KI-gestützte Analysen in den Führungsalltag integriert. In der dritten Phase (Reife) entsteht ein selbstverstärkendes System: Daten fliessen automatisiert, KI-Assistenten sind in operative Prozesse eingebettet und Führungskräfte diskutieren nicht mehr über Datenkonsistenz, sondern über strategische Konsequenzen. Jede Phase verlangt Investitionen in alle drei Dimensionen gleichzeitig – wer nur in Technologie investiert, ohne Governance und Kultur mitzuentwickeln, bleibt in Phase 1 stecken.

Das Meetingzimmer der Zukunft

Zurück zur Szene vom Anfang: Es ist kurz nach neun. Auf dem Bildschirm läuft ein einziges Dashboard, in Echtzeit aktualisiert. Die drei Abteilungen sehen dieselben Zahlen. Ein KI-Assistent hat die wichtigsten Abweichungen bereits kommentiert, Ursachen identifiziert und drei Handlungsoptionen, inklusive Risikobewertung, skizziert. Die Diskussion beginnt nicht mehr bei der Frage, welche Daten stimmen. Sie beginnt bei der Frage, was die Daten bedeuten und was als Nächstes zu tun ist. Das ist keine Science-Fiction. Das ist das Betriebssystem, das heute in den fortschrittlichsten Unternehmen der Welt läuft. Die Frage ist dementsprechend nicht, ob es kommt, sondern ob Ihr Unternehmen bereit ist, es zu installieren.