KI erweitert euren Wachstumsspielraum. Eure Daten entscheiden, wie weit ihr kommt.

KI-Probleme fallen meist erst im Einsatz auf. Dabei werden die Weichen viel früher gestellt – in der Datenschicht, die KI-gestützte Entscheidungen unterfüttert.

Es liegt nahe, sich auf die Intelligenz des Systems zu konzentrieren. Doch KI funktioniert eher wie ein Verstärker: Sie lernt aus euren Unternehmensdaten und skaliert, was in diesen Daten steckt. Ist das Fundament fragmentiert oder von schlechter Qualität, gilt das auch für die Ergebnisse.

Das wird sichtbar, sobald KI in Live-Workflows eingebunden ist. Personalisierung empfiehlt Kundinnen und Kunden ein „Upgrade“, kurz nachdem sie bereits gekauft haben. Segmente wirken in Reports korrekt, verfehlen aber ihr Ziel in der Aktivierung, weil Einwilligung und Identität plattformübergreifend nicht konsistent sind. Content-Automatisierung verwendet Assets außerhalb der genehmigten Zielmärkte – und das fällt erst nach dem Launch auf.

Die Folgekosten treten schnell zutage. Gartner prognostiziert, dass Unternehmen bis 2026 rund 60 % ihrer KI-Projekte genau aus diesem Grund aufgeben werden. Teams, die monatelang in Pilotprojekte investiert haben, stoßen an Skalierungsgrenzen – und der Abstand zwischen erfolgreichen KI-Anwendenden und allen anderen wächst weiter.

Um diese Lücke zu schließen, ist ein Umdenken gefragt: Daten dürfen nicht länger als statisches Gut betrachtet werden, sondern müssen als zentraler Erfolgsfaktor für KI verstanden werden.

Drei Maßnahmen, die Unternehmen für KI-bereite Daten umsetzen müssen.

Die Lücke zwischen dem Erkennen des Datenproblems und dessen Behebung lässt sich oft schließen, wenn klar ist, wo anzusetzen ist. Die drei folgenden Maßnahmen schaffen genau diese Klarheit.

1. Kartiert eure Datenlandschaft, bevor KI darin zu navigieren versucht.
2. Reichert Daten mit dem Kontext an, den KI für gezieltes Handeln braucht.
3. Sorgt durch automatisierte Prüfpunkte in KI-Workflows für Datenqualität.

Jede dieser Maßnahmen adressiert eine konkrete Voraussetzung, die KI für einen zuverlässigen Betrieb benötigt – und jede lässt sich schrittweise angehen, beginnend mit den wichtigsten Use Cases. Für die meisten Unternehmen sind das keine neuen Fähigkeiten. Marketing- und IT-Teams arbeiten bereits in irgendeiner Form an Transparenz, Kennzeichnung und Governance. Was sich mit KI verändert, sind die Vorgaben, die diese Fähigkeiten erfüllen müssen.

Schauen wir uns jede Maßnahme etwas genauer an.

Kartiert eure Datenlandschaft, bevor KI darin zu navigieren versucht.

Wenn Führungskräfte sagen, ihnen fehle das richtige Datenmaterial für KI, liegt die Diagnose oft daneben. In den meisten Unternehmen ist nicht das Fehlen von Daten das eigentliche Problem, sondern deren unkontrollierte Ausbreitung.

Daten verteilen sich über Data Lakes, Asset-Management-Systeme, Marketing-Plattformen, gemeinsam genutzte Laufwerke und Partnersysteme. Manche Daten stecken in strukturierten Tools, andere in Prozessen, die über die Zeit gewachsen sind und heute den Tagesablauf stützen. Was fehlt, ist ein klarer Überblick: Wo liegen diese Daten? Wie hängen sie zusammen? Und was davon kann KI überhaupt erkennen und nutzen?

Am wirkungsvollsten gewinnt man diesen Überblick oft, indem man vom gewünschten KI-gesteuerten Ergebnis aus rückwärts denkt, anstatt eine umfassende Bestandsaufnahme aller Daten zu versuchen.

Eine globale Konsumgütermarke hat genau diesen Ansatz verfolgt, als sie KI-gestützte Personalisierung skaliert über verschiedene Märkte ausrollte. Indem das Unternehmen zunächst die Kunden-Insights in den Mittelpunkt stellte, die für relevante Erlebnisse notwendig sind, konnte es klar identifizieren: Welche Datenquellen sind entscheidend? Wo waren Informationen regional fragmentiert? Und was musste verknüpft werden, damit KI zuverlässig arbeiten konnte?

Dieser ergebnisorientierte Ansatz bedeutet, auf folgende Fragen konkrete Antworten geben zu können:

• Auf welche Daten stützt sich dieser KI-Anwendungsfall für Entscheidungen?
• Wo in unseren Systemen liegen diese Daten heute?
• Welche Quellen sind verknüpft – und wo entstehen durch Lücken blinde Flecken?

Diese Methode schafft ein gemeinsames Verständnis zwischen Teams, die dieselben Begriffe oft unterschiedlich verwenden. „Kundenprofil“ etwa bedeutet für Marketing, IT, Analyse und Engineering jeweils etwas anderes: Das eine Team denkt in CRM-Datensätzen und Segmenten, das andere in Eventstreams und Verhaltensmustern, das dritte in Kennungen und Berechtigungen. KI löst diese Unterschiede nicht von selbst auf.

Ohne ein gemeinsames Verständnis davon, was die Daten eigentlich abbilden, scheitern Versuche, Systeme für KI zu verknüpfen, noch bevor die Technologie überhaupt zum Einsatz kommt.

Das Ziel ist keine lückenlose Transparenz, sondern blinde Flecken so weit zu reduzieren, dass Teams wissen, auf welche Daten KI zugreifen kann und welchen sie vertrauen darf. Dafür reicht es, auf einem übergeordneten Level zu dokumentieren, wo Daten heute liegen und wie sie die Arbeit unterstützen.

Reichert Daten mit dem Kontext an, den KI für gezieltes Handeln braucht.

Transparenz zeigt, wo eure Daten liegen. Kennzeichnung erklärt der KI, was sie bedeuten.

Die meisten Unternehmen kennzeichnen ihre Daten bereits. Doch diese Systeme wurden entwickelt, damit Menschen Inhalte finden, nicht damit KI Entscheidungen trifft.

Ein Content-Asset mit dem Tag „Sommerkampagne 2025“ lässt sich für Menschen leicht abrufen. Doch ein KI-Tool weiß nicht, ob es inspirierend oder pragmatisch ist, formal oder locker, ob es sich an Luxusreisende oder Familien richtet. Ohne diesen Kontext kann KI zwar handeln, aber nicht gezielt handeln.

Diese „Kontextlücke“ ist ein wesentlicher Grund dafür, dass laut der Adobe-Studie über KI- und digitale Trends 2026* nur 43 % der Unternehmen ihre Datenqualität und -zugänglichkeit als ausreichend für den KI-Einsatz einschätzen. Um diese Lücke zu schließen, müssen Führungskräfte verstehen, dass der erforderliche Kontextumfang je nach gewünschtem KI-Verhalten variiert.

1. KI-gestützte Suche benötigt Labels, die das Auffinden des richtigen Assets erleichtern: Autor/Autorin, Datum, Thema und Markenkategorie.
2. KI-gesteuerte Ausführung benötigt Labels, die eine situationsgerechte Personalisierung ermöglichen: Zielgruppenabsicht, Ton, emotionaler Kontext und Sprache.
3. KI-geleitetes Handeln benötigt Labels, die es der KI erlauben, sicher und ohne ständige Überprüfung zu agieren: Nutzungsrechte, regionale Einschränkungen, Ablaufdaten und Genehmigungsstatus.

Eine vollständige Neukennzeichnung eurer gesamten bestehenden Bibliothek auf einmal ist jedoch möglicherweise nicht realistisch. Ihr könnt KI zur Kennzeichnung einsetzen oder denselben Ansatz wie bei der Datentransparenz verfolgen: Konzentriert euch auf einige wenige wirkungsstarke Ergebnisse, die eure Maßnahmen gezielt lenken.

Wenn ihr beispielsweise KI-gestützte Content-Erstellung anstrebt, solltet ihr die Kennzeichnung von Genehmigungsstatus und zulässigen Use Cases priorisieren. Bestimmte Inhalte müssen als „nur zur Referenz“ markiert werden, während andere Assets für die Anpassung oder automatisierte Wiederverwendung freigegeben werden können.

So erfüllt die KI Marken- und Compliance-Anforderungen, ohne dass ständige manuelle Überprüfungen notwendig sind. Um eine zuverlässige KI-Performance sicherzustellen, könnt ihr die drei nachfolgenden Kennzeichnungsmaßnahmen priorisieren:

• Entscheidungskontext hinzufügen: Kennzeichnet, was die KI generieren, empfehlen oder unterdrücken darf.
• Klare Grenzen einbauen: Integriert Genehmigungen und Nutzungsrechte direkt in die Daten.
• Aktionen kennzeichnen: Markiert, welche Daten Aktionen auslösen können und welche lediglich der Analyse dienen.

Dieser Ansatz stellt sicher, dass die Daten, die eure wichtigsten KI-Anwendungsfälle speisen, über den Kontext verfügen, den diese Systeme für eine zuverlässige Leistung benötigen. Wenn sich die Anwendungsfälle weiterentwickeln, bleiben Verbesserungen gezielt und Investitionen klar an den Mehrwert geknüpft.

Sorgt durch automatisierte Prüfpunkte in KI-Workflows für Datenqualität.

Datentransparenz und Kennzeichnung schaffen Klarheit. Doch es ist die Datenqualität, die darüber entscheidet, ob diese Klarheit auch beim Skalieren erhalten bleibt.

Viele Unternehmen haben entsprechende Richtlinien eingeführt: Sie verweisen auf Governance-Vorgaben, Schulungsprogramme und dokumentierte Best Practices. Das eigentliche Problem ist jedoch die Konsistenz. Was auf dem Papier steht, entspricht häufig nicht der Realität, wenn Teams unter Druck arbeiten und Daten in neuen Kontexten wiederverwendet werden. Ohne klare Durchsetzung bleibt Governance eine Theorie.

Diese Diskrepanz zeigt sich auf vorhersehbare Weise: Nutzereinwilligungen werden nicht einheitlich erfasst, Berechtigungen werden nicht immer gemeinsam mit den Daten weitergegeben, oder der Datenzugriff wird ohne ausreichende Kontrolle ausgeweitet.

Eine globale Beratungsorganisation stand genau vor diesem Problem: Einwilligungsdaten waren über regionale Systeme verteilt, sodass Teams vor jeder Kundenansprache manuell Berechtigungen einholen mussten. Durch die Zentralisierung der Einwilligungsverwaltung und die automatisierte Durchsetzung von Nutzungsregeln konnte die Aktivierung konsistenter gestaltet und die Interaktion verbessert werden.

Regulierte Branchen haben bei der Einführung automatisierter Entscheidungsprozesse oft einen Vorsprung. Sie mussten im Laufe der Zeit strengere Zugriffskontrollen und klarere Einwilligungspraktiken aufbauen – genau das, was KI-Governance heute branchenübergreifend einfordert.

Die Erkenntnis liegt auf der Hand: Wenn Datenqualität davon abhängt, dass alle immer das Richtige tun, lässt sie sich mit KI nicht skalieren. Effektive Datenqualität geht über bloße Richtlinien hinaus. Sie braucht Durchsetzung durch fest in Workflows verankerte Kontrollpunkte. Einige praxisnahe Leitplanken zeigen, wie das konkret aussieht:

1. Validierung bei der Erstellung: Systeme akzeptieren keine unvollständigen oder falsch gekennzeichneten Daten.
2. Herkunftsverfolgung: Lückenlose Nachvollziehbarkeit, woher Daten stammen und wie sie verändert wurden.
3. Testprotokolle: Proaktive Prüfung auf Qualitätsprobleme, Verzerrungen oder schädliche Ausgaben vor dem Einsatz.
4. Feedback-Mechanismen: Strukturierte Kanäle, um Qualitätsprobleme zu erfassen, sobald sie in der Praxis auftreten.

Diese Kontrollpunkte verringern die Abhängigkeit von manuellem Eingreifen und menschlichem Erinnerungsvermögen. Sie beugen Qualitätsverlusten vor, reduzieren nachträgliche Korrekturen und sorgen für ein konsistenteres KI-Verhalten. Qualität entsteht automatisch, wenn das richtige Vorgehen gleichzeitig das einfachste ist.

Daten im großen Maßstab für KI nutzbar machen.

Ein echter KI-Vorteil entsteht nicht durch die Wahl des perfekten Modells oder einen einzelnen gelungenen Piloten. Er entsteht durch die Rahmenbedingungen, die ihr schafft, damit KI zuverlässig und skalierbar funktioniert.

Genau das liefern Transparenz, Kennzeichnung und Datenqualität. Betrachtet diese drei Bereiche nicht als technische Aufgaben, die ihr abhaken müsst. Wenn ihr sie richtig umsetzt, kann KI auf Daten zugreifen, die systemübergreifend vereinheitlicht sind, bei jedem Asset den Kontext interpretieren und innerhalb eines Governance-Rahmens operieren, der als selbstverständlicher Teil der täglichen Abläufe durchgesetzt wird.

Den Weg von strategischen Grundsätzen zu einer lebendigen, operativen Realität zu gehen, dafür braucht es die richtige Architektur. Für einen umfassenderen Blick darauf, wie Organisationen diesen Wandel meistern, empfehle ich die Lektüre von KI-Zeitenwende.

In meinem nächsten Beitrag widme ich mich der praktischen Seite dieses Wandels: Wie lässt sich die Einführungskurve meistern und wie organisiert ihr eure Teams optimal?

*Hinweis: Die in diesem Beitrag zitierten Statistiken stammen aus der Adobe-Studie über KI- und digitale Trends aus dem Jahr 2026. Ausgewählte Ergebnisse sind im Bericht KI- und digitale Trends 2026 veröffentlicht.

Emily McReynolds ist Head of Global AI Strategy bei Adobe und beschäftigt sich schwerpunktmäßig mit der Einführung von KI in Unternehmen. Sie verfügt über mehr als 15 Jahre Erfahrung in den Bereichen Data Governance, maschinelles Lernen und KI – sowohl in der Forschung als auch in der Wirtschaft, unter anderem bei Microsoft und Meta.

Da sie KI bereits in mehreren Unternehmen eingeführt hat, kennt sie die Herausforderungen, mit denen Organisationen bei der Implementierung konfrontiert werden, und gibt praxisnahe Orientierung für die KI-Einführung. Emily begann ihre Karriere mit dem Programmieren in HTML und brachte anderen den Umgang mit Computern bei – als es noch Disketten gab.