Im ersten Teil unserer Reihe ging es um IT-Modernisierung als Fundament für KI-Fähigkeit. In diesem Beitrag gehen wir einen Schritt weiter und beleuchten eine zweite Hürde, an der Machine-Learning-Prototypen, die „im Labor“ funktionieren, beim Sprung in den produktiven Alltag häufig scheitern: die Datenplattform, auf der sie aufbauen. Denn der erfolgreiche Betrieb von KI hängt nicht primär vom Modell ab, sondern von der Plattform dahinter. Wir zeigen, worauf es dabei ankommt.
Der Befund ist in deutschen Industrieunternehmen weit verbreitet: Laut der Bitkom-Studie „Künstliche Intelligenz 2025“ bemängeln 53 Prozent der Unternehmen fehlendes technisches Know-how und 36 Prozent mangelnde Ergebnisqualität als Hemmnis für den KI-Einsatz. Diese Zahlen bestätigen, was sich auch in der Praxis zeigt: Der Sprung von einem vielversprechenden Piloten zum verlässlichen Regelbetrieb ist die eigentliche Herausforderung, nicht der erste Proof of Concept.
Interessanterweise ist die Datenqualität dabei nicht immer die primäre Ursache. Häufig liegt das Problem woanders, nämlich in der Dateninfrastruktur selbst, die schlicht nicht darauf ausgelegt ist, mit dem Live-Betrieb zu skalieren. Ein Pilotprojekt läuft mit einem überschaubaren, sauber kuratierten Datensatz. Im produktiven Einsatz fließen dagegen kontinuierlich neue Datenströme aus verschiedenen Maschinen, Werken und Sensoren, oft in unterschiedlicher Qualität und Frequenz.
Hinzu kommen ungeklärte Zuständigkeiten: Wer verantwortet die Daten – die Fachabteilung, die IT oder das Data-Science-Team? Ohne eine klare Antwort entstehen Reibungsverluste an jeder Schnittstelle. Und schließlich das Problem der Insellösung: Ein Use Case, der in einem Werk erfolgreich war, lässt sich manchmal nicht ohne Weiteres auf einen anderen Standort übertragen, weil die zugrunde liegende Datenplattform nicht für eine Wiederverwendung konzipiert wurde.
Wie erkennen Unternehmen, ob ihre bestehende Datenplattform überhaupt bereit für den produktiven KI-Einsatz ist, gegebenenfalls auch an mehreren Standorten? Vier Warnsignale deuten typischerweise darauf hin, dass hier Nachholbedarf besteht:
Wer eines oder mehrere dieser Signale in der eigenen Organisation wiedererkennt, sollte die bestehende Datenplattform kritisch auf den Prüfstand stellen, bevor weitere KI-Use-Cases aufgesetzt werden.
Eines der Warnsignale kommt Ihnen bekannt vor? Unser Executive Guide (PDF) zeigt auf kompakte Weise, wie Data-, Operations- und IT-Teams ihre Datenplattform KI-fähig machen. Lassen Sie sich von unseren Case Stories und Migrationsbeispielen inspirieren.
In Zusammenhang mit Datenplattformen fällt häufig der Begriff der „Datensouveränität“. Meist wird er politisch oder regulatorisch verstanden, etwa im Kontext der Wahl des Cloud-Anbieters oder des EU Data Act. Für die praktische Ausgestaltung einer Datenplattform lohnt sich ein engerer Blick auf Souveränität. Dabei geht es zunächst um die Portabilität von Daten, also die Frage, ob sie bei Bedarf einfach zu einem anderen Cloud- oder Plattformanbieter migriert werden können. Ebenso wichtig ist, dass Unternehmen Zugriffe auf ihre Daten gezielt steuern, ihre Plattform ohne feste Anbieterbindung skalieren und jederzeit nachvollziehen können, wer welche Daten genutzt oder auch verändert hat. Im Alltag entscheiden diese Eigenschaften weit mehr als der Standort der Cloud-Infrastruktur darüber, wie souverän ein Unternehmen über seine Daten und seine KI-Lösungen bestimmt.
Kaum ein Thema wird in Digitalisierungsprojekten intensiver diskutiert als die Wahl der richtigen Plattform-Technologie: Data Lakehouse, Microsoft Fabric oder Databricks. Die Optionen und Buzzwords nehmen schneller zu, als viele Organisationen sie sinnvoll vergleichen und einordnen können.
Der entscheidende Punkt: Die Technologiewahl sollte nicht der erste Schritt sein. Bevor eine Entscheidung für eine bestimmte Plattform fällt, sollten zwei Fragen geklärt sein:
Governance-Fragen, also wer wie auf welche Daten zugreift und wie Qualität und Nachvollziehbarkeit sichergestellt werden, sind wichtiger als die Frage, welcher Anbieter am Ende das Rennen macht. Eine vertiefende Einordnung der verschiedenen Lakehouse-Ansätze finden Sie in diesem Beitrag.
Wenn KI-Lösungen für die Industrie diskutiert werden, wird ein Aspekt oft unterschätzt: Industrielle Daten unterscheiden sich fundamental von klassischen Business-Daten. Es handelt sich um Zeitreihen und Sensordaten, häufig mit unsynchronisierten Zeitstempeln zwischen verschiedenen Maschinen und Systemen, ergänzt durch Bild- und Textdaten aus Wartungsprotokollen oder Qualitätskontrollen. Diese Vielfalt erfordert eine einheitliche Semantik, also eine gemeinsame „Sprache“ dafür, wie Daten interpretiert und transformiert werden. Ohne diese gemeinsame Grundlage bleibt jede Plattform, egal wie modern, letztlich ein Flickenteppich und wird immer wieder teure Nacharbeiten erfordern.
Damit eine Datenplattform nicht nur beim Piloten, sondern dauerhaft im produktiven Betrieb funktioniert, braucht es drei zentrale Governance-Bausteine:
Diese drei Bausteine lassen sich nicht einmalig einführen und abhaken. Sie müssen gepflegt und weiterentwickelt werden, ähnlich wie eine physische Produktionsanlage, die gewartet werden muss.
Wie sieht ein produktiver KI-Einsatz auf Basis einer gut aufgesetzten Datenplattform in der Praxis aus? Zwei Beispiele:
KUKA setzt für die Anomalieerkennung in Roboterflotten auf die IIoT-Plattform iiQoT auf Microsoft Azure. Im produktiven Einsatz laufen dort mittlerweile rund 100.000 ML-Modelle, ein Volumen, das ohne eine skalierbare, gut organisierte Datenplattform nicht handhabbar wäre.
Ein führender deutscher Maschinenbauer setzt nach Abkündigung der Weidmüller-Plattform für seine 2.500 Pumpen im Feld auf eine Plattformlösung von Device Insight, die von Anfang an so konzipiert wurde, dass sie sich für weitere Agentic-AI-, Machine-Learning- und Service-Use-Cases erweitern lässt.
Beide Beispiele verweisen auf ein Muster: Anomalieerkennung ist häufig der ideale Einstieg für Unternehmen, die noch am Anfang ihrer KI-Reise stehen. Sie baut auf bereits vorhandenen Sensordaten auf, liefert schnell messbare Ergebnisse und schafft Vertrauen für den nächsten Schritt. Wie sich der Wert solcher Anwendungsfälle konkret bemessen lässt, beleuchtet dieser Beitrag zum Return on Data.
Der Blick nach vorn zeigt, warum Unternehmen schon heute die richtigen Entscheidungen treffen und Weichen stellen müssen. Laut Gartner-Prognosen könnten bis 2027 rund 40 Prozent aller Agentic-AI-Projekte wieder eingestellt werden, wegen steigender Kosten, einem unklaren Nutzen und unzureichender Risikokontrolle.
Diese Entwicklung ist kein Argument gegen den Einsatz von KI-Agenten, sondern ein deutlicher Hinweis darauf, worauf es ankommt. Ohne eine gemeinsame Governance-Basis entsteht schnell ein Wildwuchs paralleler, inkompatibler Agenten-Lösungen. Jede Fachabteilung baut ihre eigene Insellösung, ähnlich wie bei den frühen KI-Piloten. Was Unternehmen stattdessen brauchen, ist ein einheitliches „AI Operating System“, eine gemeinsame Datenplattform, die als Fundament für alle Fachbereiche dient und verhindert, dass jede neue KI-Anwendung wieder bei Null beginnt.
Um das eigene KI-Projekt zum Erfolg zu machen, sollten Projektverantwortliche außerdem drei fundamentale Leitlinien beachten:
Wie steht es um die KI-Fähigkeit Ihrer eigenen Datenplattform? Sprechen Sie mit uns, um festzustellen, wie „KI-ready“ Sie bereits sind.
Ein strukturiertes Readiness-Assessment verschafft schnell Klarheit über Ihren aktuellen Stand und ermittelt die sinnvollsten nächsten Schritte. Starten Sie mit unserem 5-Minuten-Selbstcheck.
Über den Autor:
Ingo Forstner ist Portfolio- und Operations Manager mit einem technischen Hintergrund im Maschinenbau und einem Fokus auf Industrial AI Projekte. Aktuell ist er als Senior Portfolio Manager bei Device Insight, Tochterfirma der KUKA Group in München, tätig. Zu seinen früheren Stationen zählen die Linde Group und MAN Diesel und Turbo.
Weil das Modell im Labor mit sauberen Daten überzeugt, im Live-Betrieb aber auf eine Dateninfrastruktur trifft, die kontinuierliche, wechselnde Datenströme oft nicht abfängt. Das eigentliche Nadelöhr liegt fast immer in der Datenplattform, nicht im ML-Modell.
Jeder Use Case beginnt bei Null, die Plattform skaliert nicht mit wachsendem Datenvolumen, die Herkunft von Datenpunkten ist nicht nachvollziehbar und Lücken in den Daten werden je nach Team oder Use Case unterschiedlich interpretiert. Schon eines dieser Warnsignale sollte Unternehmen dazu veranlassen, ihre Datenplattform genauer unter die Lupe zu nehmen.
Keine der beiden ist grundsätzlich besser. Entscheidend ist, welches konkrete Problem gelöst werden soll und ob vor allem technisch versierte Data Engineers oder Fachanwender mit einfachem Zugriffsbedarf damit arbeiten werden.
In der Praxis zählen weniger die Wahl des Cloud-Anbieters, sondern vor allem Datenportabilität, granulare Zugriffskontrolle und durchgängige Auditierbarkeit. Diese drei Punkte entscheiden im Alltag stärker über echte Unabhängigkeit.
Anomalieerkennung, weil sie auf ohnehin vorhandenen Sensordaten aufsetzt und schnell messbare Ergebnisse liefert. Das schafft Vertrauen für den nächsten, komplexeren Schritt.
Weil sich der zweite und dritte Use Case dann auf die bestehende Infrastruktur des ersten stützen können. Das senkt Kosten, Zeitaufwand und das Risiko einer gescheiterten KI-Skalierung im Unternehmen.
|
