Künstliche Intelligenz (KI) steht derzeit ganz oben auf der Agenda in den Vorstandsetagen und Chefbüros von Unternehmen. Von traditionellem maschinellem Lernen (ML) über generative KI bis hin zu neuen agentenbasierten Ansätzen – es wird allgemein erwartet, dass KI die Art und Weise, wie Unternehmen arbeiten und im Wettbewerb bestehen, grundlegend verändern wird.
Gleichzeitig übersteigen die Erwartungen die Ergebnisse. Eine Studie der RAND Corporation aus dem Jahr 2024 berichtet, dass etwa 80 % aller KI-Projekte scheitern, und nennt dafür mehrere Ursachen, darunter den Mangel an „den notwendigen Daten, um ein effektives KI-Modell angemessen zu trainieren“.[1]
Diese Erkenntnis verdeutlicht eine grundlegende Herausforderung, die viele Unternehmen unterschätzen: die Beschaffung der richtigen Daten aus den richtigen Quellen, um KI-gestützte Systeme und Abläufe zu unterstützen. Diese Herausforderung manifestiert sich in zwei Formen – Verfügbarkeit (existieren die Daten?) und Konnektivität (können die Daten abgerufen und geteilt werden?). Ohne diese Grundlage kommen KI-Initiativen zum Stillstand, bleiben hinter den Erwartungen zurück oder können nicht skaliert werden.
Als Chief AI Officer in Teilzeit sehe ich dieses Muster immer wieder. Das Problem ist nicht ein Mangel an Ambitionen oder Investitionen in KI, sondern eine unzureichende Konzentration auf die Schaffung der dafür erforderlichen Datenbasis und Infrastruktur. Diese Herausforderung ist komplex, überschreitet Organisationsgrenzen und erfordert die Aufmerksamkeit der Führungsebene. Unternehmen, die die Lösung dieser grundlegenden Probleme hinauszögern, müssen oft feststellen, dass Wettbewerber, die zuerst handeln, in der Lage sind, KI schneller zu skalieren, sich operative Vorteile zu sichern und die Leistungserwartungen in einer Weise zu steigern, die nur schwer einzuholen ist.
Dieser Blogbeitrag untersucht, warum Daten und Konnektivität für den Erfolg von KI in Unternehmen entscheidend sind, und skizziert praktische Schritte, die Führungskräfte in Betracht ziehen sollten. Dies ist der erste Teil einer Artikelserie, die sich damit befasst, was es für Unternehmen bedeutet, in einer zunehmend KI-gestützten Welt für die Zukunft gerüstet zu sein.
[1] J. Ryseff, B. De Bruhl und S. Newberry. „Die Ursachen für das Scheitern von Projekten im Bereich der künstlichen Intelligenz und wie sie erfolgreich sein können“, Forschungsbericht, Rand Corporation. 13. August 2024.
KI ist eine wichtige Unternehmenskompetenz
KI ist bereits in vielen Unternehmensfunktionen integriert. Maschinelles Lernen wird häufig eingesetzt, um Betrugsfälle aufzudecken, Abläufe zu optimieren, Wartungsbedarf vorherzusagen und die Produktqualität zu verbessern. Die Verarbeitung natürlicher Sprache unterstützt Kunden- und technischen Support in großem Umfang.
Generative KI hat diese Fähigkeiten weiter ausgebaut, indem sie Sensordaten, Betriebsprotokolle und menschliche Eingaben kombiniert, um Anomalien zu diagnostizieren, Optimierungsstrategien zu planen und Maßnahmen zu empfehlen. Neue agentenbasierte KI-Ansätze zielen darauf ab, über Empfehlungen hinauszugehen und operative Arbeitsabläufe zu koordinieren und auszuführen.
Daten und Konnektivität sind strategische Wegbereiter für KI
Die KI-Fähigkeiten eines Unternehmens hängen von etwas viel Grundlegenderem als fortschrittlichen Modellen ab: der zuverlässigen Verfügbarkeit von und dem Zugriff auf Betriebsdaten und verbundene Systeme. KI-Systeme benötigen einen konsistenten Zugriff auf die richtigen Daten, um Modelle zu trainieren und neu zu trainieren. Nach der Bereitstellung liefern dieselben Daten die Signale aus der realen Welt, die KI-Systeme interpretieren und auf die sie reagieren.
Konnektivität macht dies auf Unternehmensebene möglich. Sie ermöglicht den Zugriff auf Daten, deren Austausch und Integration über Systeme, Umgebungen und KI-Anwendungen hinweg. Ohne Konnektivität bleiben Daten fragmentiert, verzögert oder unzugänglich. Dies schränkt die Fähigkeit der KI ein, Entscheidungen, Automatisierung und Ausführung zu unterstützen.
In der Praxis ist die Beschaffung der für KI erforderlichen Daten eine seit langem bestehende Herausforderung. Unternehmensdaten sind über interne Anwendungen, Betriebssysteme und eine Vielzahl physischer Anlagen (Geräte und Vorrichtungen) verteilt, die sich über mehrere Standorte und Regionen erstrecken. Viele dieser Anlagen und Systeme werden in eigenständigen Umgebungen oder proprietären Legacy-Netzwerken außerhalb traditioneller IT-Domänen betrieben.
Die Folgen schlechter Datenqualität und Konnektivität umfassen unter anderem:
- KI-Pilotprojekte scheitern daran, über den Proof-of-Concept-Stadium hinauszukommen, weil wichtige Betriebsdaten fehlen, nicht zugänglich oder in großem Maßstab unzuverlässig sind.
- Automatisierungs- und agentenbasierte Initiativen kommen zum Stillstand, wenn KI-generierte Erkenntnisse aufgrund nicht vernetzter oder nicht verwalteter Systeme nicht umgesetzt werden können.
- KI-gesteuerte Entscheidungen, die auf unvollständigen Daten basieren, erhöhen das Risiko unsicherer und unzuverlässiger Ergebnisse, die das Unternehmen einem hohen operativen, finanziellen und rechtlichen Risiko aussetzen.
- Bewährte KI-Anwendungsfälle (z. B. vorausschauende Wartung, Anomalieerkennung und Betriebsoptimierung) bleiben ohne Echtzeit-Transparenz der Anlagen hinter ihren Möglichkeiten zurück.
- KI-Investitionen haben Schwierigkeiten, einen ROI nachzuweisen, da grundlegende Daten- und Konnektivitätsprobleme nie im Voraus angegangen wurden.
Die Herausforderungen für KI im Bereich Daten lassen sich in drei Kategorien einteilen
Die Herausforderungen für Unternehmen im Bereich KI-Daten lassen sich in zwei grundlegende Formen einteilen: die Verfügbarkeit der Daten und die Konnektivität der Systeme für den Zugriff auf die Daten und deren Kommunikation. Während Daten die Rohdaten sind, auf denen KI basiert, sorgt die Konnektivität dafür, dass sie zugänglich, aktuell und nutzbar sind.
Innerhalb dieser beiden Formen lassen sich die Herausforderungen im Zusammenhang mit KI-Daten im Allgemeinen in drei Kategorien einteilen:
- Die Daten existieren nicht. Dies ist eine Herausforderung hinsichtlich der Verfügbarkeit. Unternehmensressourcen sind möglicherweise nicht mit den Sensoren ausgestattet, die zur Erfassung der für KI-Modelle erforderlichen Daten erforderlich sind. Diese „verborgenen Ressourcen“ sind in vielen industriellen Umgebungen weit verbreitet. In anderen Fällen sind die Daten zwar verfügbar, es fehlen jedoch die Kontextinformationen (Metadaten), die für die Verwendung durch KI erforderlich sind. Eine Umfrage zur KI-Bereitschaft im Jahr 2025 ergab, dass 54 % der 272 Befragten „Datenqualität und -verfügbarkeit“ als ihre größte Herausforderung bei der Einführung von KI in einer industriellen Umgebung angaben.[2]
- Die Daten sind isoliert und nicht leicht zugänglich. Dies ist eine Herausforderung hinsichtlich der Konnektivität. Ältere Anlagen in Industrie- und Fertigungsbetrieben wurden für eine Umgebung ohne Konnektivität konzipiert. Die Daten bleiben auf den Anlagen selbst oder in separaten proprietären Betriebstechnologie-Netzwerken (OT) gespeichert. Andere Daten befinden sich in Unternehmensanwendungen (z. B. ERP, MES, CMMS, LIMS, BMS), die unterschiedliche Schemata und Standards verwenden, was die Integration und Kommunikation erschwert. Die Integration mit Altsystemen und Datensilos ist die zweitgrößte Herausforderung, wie 48 % der 272 Befragten in einer Umfrage zur KI-Bereitschaft für 2025 angaben.[3] Über die Datenzugänglichkeit hinaus gewinnt die Konnektivität eine neue Bedeutung und Dringlichkeit, da Unternehmen zunehmend auf Automatisierung und agentenorientierte Ausführung setzen. Nicht vernetzte Systeme sind keine tolerierbaren Ineffizienzen mehr, da sie zu schwerwiegenden Hindernissen für das Handeln werden.
- Die Daten unterliegen bestimmten Rechten und Vorschriften. Dies stellt eine Herausforderung hinsichtlich ihrer Verfügbarkeit dar. Einige Daten sind Eigentum von Dritten wie OEMs, Lieferanten oder Partnern oder werden von diesen kontrolliert. In anderen Fällen schränken Anforderungen in Bezug auf Cybersicherheit, Sicherheit oder gesetzliche Vorschriften ein, wie und wo Daten verwendet werden dürfen.
Die Herausforderungen im Zusammenhang mit KI-Daten sind nicht einheitlich. Um diese Herausforderungen vollständig zu bewältigen, sind unterschiedliche Strategien und Taktiken erforderlich. Es gibt keinen einheitlichen Ansatz, der für alle Fälle geeignet ist.
[2] „Beschleunigung der KI-Anwendungsfälle im Jahr 2026: Bericht zur Umfrage über die Bereitschaft für industrielle Daten, Intelligenz und KI“, HiveMQ-Bericht, 2025. Die Umfrage zur Bereitschaft für industrielle Daten, Intelligenz und KI im Jahr 2026 wurde von IIoT World durchgeführt und sammelte Erkenntnisse von 272 Fachleuten aus den Bereichen Fertigung, Energie, Logistik, Transport, Smart Cities, Gesundheitswesen und anderen Industriezweigen.
[3] ebenda.
Diese Herausforderungen erfordern strategische und operative Aufmerksamkeit.
KI ist nicht mehr nur eine technologische Initiative, sondern eine Reihe von geschäftlichen und betrieblichen Initiativen, die sich auf Umsatzwachstum, Kostenstruktur, Kundenerfahrung und Unternehmensrisiken auswirken. Wenn KI-Initiativen scheitern oder hinter den Erwartungen zurückbleiben, gehen die Folgen über verpasste technische Meilensteine hinaus und umfassen verzögerte Renditen aus bedeutenden Investitionen, erhöhte Betriebskosten durch manuelle Workarounds und ein erhöhtes finanzielles, reputationsbezogenes oder Sicherheitsrisiko.
Angesichts der Tragweite dieser Auswirkungen können Herausforderungen im Zusammenhang mit KI-Daten und Konnektivität nicht als isolierte IT- oder Betriebsprobleme behandelt werden. Sie stellen eine strategische Geschäftspriorität dar, die Führungsverantwortung, klare Zuständigkeiten und wohlüberlegte Investitionsentscheidungen erfordert. Solange diese Themen nicht auf die Tagesordnung der Führungskräfte gesetzt und als gemeinsame Unternehmensverantwortung behandelt werden, werden KI-Teams weiterhin für Ergebnisse verantwortlich gemacht, die sie nicht vollständig kontrollieren können.
Was diese Herausforderungen besonders komplex macht, ist ihr unternehmensweiter Charakter. Die Herausforderung besteht nicht darin, dass Daten- und Konnektivitätsprobleme neu sind, sondern darin, dass mit der zunehmenden Einbindung von KI in Entscheidungsprozesse und -abläufe Lücken, die früher noch beherrschbar waren, nun direkt die Unternehmensleistung einschränken und das Risiko erhöhen. Um diese Probleme anzugehen, sind oft koordinierte Investitionen in den Bereichen IT, Betrieb, Technik, Sicherheit, Recht und externe Partner erforderlich, um den Datenzugriff, die Konnektivität und die Governance auf nachhaltige Weise zu modernisieren. Eine stückweise Finanzierung durch einzelne Projekte mag zwar kurzfristige Fortschritte bringen, schafft jedoch selten die dauerhafte Grundlage, die KI erfordert, und erhöht oft die langfristigen Kosten und die Komplexität. Eine dauerhafte Verbesserung lässt sich erzielen, indem Daten und Konnektivität als gemeinsame Unternehmensressourcen behandelt werden, unterstützt durch die Förderung durch die Geschäftsleitung, abgestimmte Anreize und einen Fahrplan, der kurzfristige Erfolge mit langfristiger Skalierbarkeit in Einklang bringt.
Fünf nächste Schritte, die Unternehmensleiter berücksichtigen sollten
Die Bewältigung der Herausforderungen im Zusammenhang mit KI-Daten und Konnektivität erfordert gezielte Aufmerksamkeit und Management. Führungskräfte und Entscheidungsträger sollten die folgenden nächsten Schritte in Betracht ziehen:
- Überprüfen Sie Ihre aktiven KI-Initiativen unter dem Gesichtspunkt von Daten und Konnektivität. Überprüfen Sie aktuelle KI-Projekte und Pilotprojekte und identifizieren Sie diejenigen, bei denen der Mangel an Daten, Datenzugänglichkeit und Konnektivität den Fortschritt und die Leistung behindert.
- Identifizieren Sie, wo wichtige Betriebsdaten isoliert oder gestrandet sind. Führen Sie eine gezielte Überprüfung wichtiger Betriebsstandorte durch , um Vermögenswerte, Geräte oder Systeme zu finden, die außerhalb der zentralen IT-Umgebung betrieben werden. Erstellen Sie eine Bestandsaufnahme dessen, was instrumentiert ist, was verbunden ist, wo Daten manuell extrahiert werden und wo Eigentums- oder Zugriffsrechte unklar sind. Priorisieren Sie Standorte, an denen KI geplant ist oder bereits eingesetzt wird.
- Machen Sie Daten und Konnektivität zu expliziten Säulen Ihrer KI-Strategie. Aktualisieren Sie Ihre KI-Strategie und Roadmaps, um klar darzulegen, wie Datenverfügbarkeit und Konnektivität behandelt werden sollen. Behandeln Sie diese Grundlagen als mehrjährige Prioritäten auf Vorstandsebene, die für die unternehmensweite Skalierung von KI erforderlich sind.
- Weisen Sie klare Führungsverantwortlichkeiten zu. Benennen Sie Management verantwortliche Management die Verfügbarkeit und Konnektivität von Unternehmensdaten in den Bereichen IT, Betrieb und Geschäftsbereiche. Stellen Sie sicher, dass diese Person über Autorität, Sichtbarkeit und Einfluss auf das Budget verfügt.
- Beziehen Sie Daten- und Konnektivitätsaspekte in Ihren Risikomanagementplan für Unternehmen ein. Bewerten Sie , inwiefern Lücken in Bezug auf Daten und Konnektivität das Risiko in den Bereichen Cybersicherheit, Sicherheit, Compliance und Geschäftskontinuität erhöhen.
Abschließende Gedanken und abschließende Hinweise
Da KI zunehmend in Kerngeschäftsprozesse integriert wird, bestimmen Schwächen in der Datenverfügbarkeit und Systemkonnektivität zunehmend die Ergebnisse. Diese Herausforderungen lassen sich nicht durch isolierte technische Korrekturen oder delegierte Zuständigkeiten lösen. Sie erfordern die Aufmerksamkeit der Führungskräfte, klare Verantwortlichkeiten und gezielte Investitionen in die Daten- und Konnektivitätsgrundlagen, auf denen KI basiert.
Bevor sie die nächste KI-Initiative genehmigen, sollten Führungskräfte eine einfache Frage stellen: Sind die Systeme, die wichtige Betriebsdaten generieren, wirklich zugänglich, vernetzt und auf Unternehmensebene steuerbar? Unternehmen, die jetzt entschlossen handeln, sind besser in der Lage, ihre KI-Ambitionen in nachhaltigen Geschäftswert umzusetzen und ein widerstandsfähigeres, zukunftsfähiges Unternehmen aufzubauen.
Wenn Ihre KI-Initiativen von Betriebsdaten, Remote-Assets oder älterer Infrastruktur abhängig sind, lassen Sie sie nicht scheitern. Kontaktieren Sie uns, um zu erfahren, wie Digi Infrastructure Management Solutions die Konnektivität, Transparenz und Kontrollschicht bereitstellen, die KI möglich machen.
FAQ
Warum gibt es in vielen Industrieanlagen und Betriebsstätten so viele veraltete, nicht vernetzte Geräte?
Die meisten Industrie- und Betriebsanlagen wurden über mehrere Jahrzehnte hinweg gebaut, wobei viele noch aus der Zeit vor der modernen „IT-vernetzten“ Umgebung stammen. Diese Betriebsumgebungen wurden für die Ausführung spezifischer Funktionen konzipiert und sollten zuverlässig und sicher sein. Industrielle Anlagen wurden für lange Lebenszyklen der Geräte konzipiert, jedoch nicht für den Datenaustausch oder die Vernetzung von Unternehmen. Produktions- und Industrieanlagen sind oft jahrzehntelang in Betrieb, und ihr Austausch allein zum Zweck der Vernetzung ist wirtschaftlich selten sinnvoll. Daher laufen viele Maschinen, industrielle Steuerungssysteme und Feldgeräte immer noch mit proprietären Protokollen, isolierten und proprietären Netzwerken oder älteren Architekturen, die nie für die Integration in moderne IT-Systeme vorgesehen waren. Diese Umgebungen wurden geschaffen, um den Betrieb aufrechtzuerhalten, und nicht, um Daten in Analyse- oder KI-Plattformen einzuspeisen.
Im Laufe der Zeit entwickelten sich diese Betriebsumgebungen zu einem Flickenteppich aus verbundenen und nicht verbundenen Systemen. Während einige neuere Anlagen und Geräte moderne Netzwerke und Fernüberwachung unterstützen, ist ein erheblicher Teil der Betriebstechnologie nach wie vor schwer zugänglich, zu integrieren oder zentral zu verwalten. Diese „Konnektivitätslücke” ist das natürliche Ergebnis langer Lebenszyklen von Anlagen, schrittweiser Upgrades und der historischen Trennung zwischen Betriebstechnologie und Unternehmens-IT.
Können wir nicht einfach die alten Geräte durch moderne vernetzte Systeme ersetzen?
In den meisten industriellen Umgebungen ist ein vollständiger Austausch älterer Anlagen weder praktikabel noch wirtschaftlich sinnvoll. Viele Betriebsmittel sind für eine jahrzehntelange Nutzung ausgelegt und solange sie wie vorgesehen funktionieren, sicher und zuverlässig sind und die Produktionsanforderungen erfüllen, ist ein Austausch allein aus Gründen der Konnektivität kaum zu rechtfertigen. Die mit einem groß angelegten Austausch von Anlagen verbundenen Kapitalkosten, Betriebsunterbrechungen, Ausfallrisiken und Umschulungsanforderungen überwiegen oft bei weitem die unmittelbaren Vorteile.
Viele Standorte führen zwar Modernisierungsmaßnahmen durch, jedoch in mehreren Phasen über mehrere Jahre hinweg, wobei der Schwerpunkt zunächst auf der Verlängerung der Nutzungsdauer und der Sichtbarkeit bestehender Anlagen liegt, anstatt diese vollständig zu ersetzen. So ist beispielsweise die Anbindung älterer Anlagen an das IT-Netzwerk oder untereinander eine Strategie, die realistischer ist und geringere Risiken mit sich bringt. Durch den sicheren Zugriff auf bereits vorhandene Daten und Systeme verbessern viele Unternehmen die Sichtbarkeit, die Analyse und die operative Entscheidungsfindung, ohne die Produktion zu stören. Dieser Ansatz ermöglicht es Unternehmen, neue Funktionen einzuführen, die zukünftige Kapitalplanung mit besseren Daten zu untermauern und strategischer zu modernisieren.
Wie wirken sich nicht vernetzte oder ältere Systeme tatsächlich auf KI-Initiativen aus?
KI-Systeme sind auf zeitnahe, zuverlässige Daten aus dem gesamten Unternehmen angewiesen, um genaue Erkenntnisse zu generieren und die Entscheidungsfindung zu unterstützen. Wenn wichtige betriebliche Ressourcen und Systeme nicht miteinander verbunden sind, werden die Daten, auf die sich die KI stützt, unvollständig, verzögert oder inkonsistent. Dies schränkt die Modellleistung ein, erhöht den Bedarf an manueller Datenaufbereitung und verringert das Vertrauen in KI-gesteuerte Ergebnisse. In vielen Fällen scheitern KI-Initiativen nicht daran, dass die Modelle ineffektiv sind, sondern daran, dass sie keinen vollständigen Überblick über die tatsächlichen Abläufe im Betrieb haben.
Da Unternehmen KI zunehmend nicht mehr nur für Analysen und Erkenntnisse nutzen, sondern auch für Automatisierung und autonomere Entscheidungsfindung, werden die Auswirkungen noch bedeutender. KI-Systeme, die nicht zuverlässig mit Betriebsumgebungen interagieren können, bleiben eher Beratungs- oder Erkenntniswerkzeuge als Treiber für Maßnahmen und deren Umsetzung. Nicht vernetzte Systeme schaffen blinde Flecken, die sowohl Erkenntnisse als auch die Umsetzung behindern, sodass Daten und Konnektivität grundlegend sind, um den tatsächlichen geschäftlichen und betrieblichen Wert von KI zu realisieren.
Nächste Schritte
Über den Autor
Benson Chan ist COO bei Strategy of Things, einem Unternehmen mit Sitz im Silicon Valley, das Regierungen und Unternehmen bei Innovationen im Bereich künstliche Intelligenz und Internet der Dinge unterstützt. Er verfügt über mehr als 30 Jahre Erfahrung in der Arbeit mit innovativen Technologien bei Fortune-500-Unternehmen, Start-ups und Regierungsorganisationen. Er war Vorsitzender des NIST IoT Board, das die Bundesregierung in Fragen des Internets der Dinge berät, Co-Vorsitzender des CompTIA und GTIA IoT Advisor und Mentor im IMPEL-Programm des Building Technology Office des US-Energieministeriums, das die Industrie mit Forschern der National Laboratories zusammenbrachte, um unternehmerisches Denken zu fördern.