Jede Umfrage zu generativer KI – auch unsere eigene – führt zu einer unausweichlichen Schlussfolgerung: Ein unzureichender Reifegrad der Daten wird verhindern, dass das Potenzial generativer KI voll ausgeschöpft werden kann.
Auf die Frage nach den Herausforderungen bei der Einführung von KI nannten 56 % der Befragten und damit der größte Anteil die „mangelnde Datenreife“ als Antwort.
Ein kurzer Blick auf die Branche bestätigt, dass mangelnde Datenreife ein ernsthaftes Hindernis für die Einführung von KI darstellt.
In der Branche besteht Einigkeit darüber, dass ein geringer Datenreifegrad die KI-Initiativen beeinträchtigt.
Was bedeutet mangelnde Datenreife?
Datenunreife bezeichnet im Kontext von KI unzureichend entwickelte oder ungeeignete Datenpraktiken eines Unternehmens, die seine Fähigkeit einschränken, KI effektiv zu nutzen. Dazu zählen Probleme in Bezug auf Datenqualität, Zugänglichkeit, Governance und Infrastruktur, wie zum Beispiel:
- Mangelhafte Datenqualität: Inkonsistente, unvollständige oder veraltete Daten führen zu unzuverlässigen KI-Ergebnissen.
- Begrenzte Datenverfügbarkeit: Datensilos in verschiedenen Abteilungen erschweren den Zugriff und eine umfassende Analyse, wodurch der Erkenntnisgewinn eingeschränkt wird.
- Schwache Data Governance: Fehlende Richtlinien zu Dateneigentum, Compliance und Sicherheit bergen Risiken und schränken den Einsatz von KI ein.
- Unzureichende Dateninfrastruktur: Unzureichende Tools und Infrastruktur behindern die Datenverarbeitung und das Training von KI-Modellen in großem Maßstab.
- Unklare Datenstrategie: Das Fehlen einer klaren Strategie führt zu unkoordinierten Initiativen und einer unzureichenden Fokussierung auf wertvolle Daten für KI.
Eine unzureichende Datenreife hindert Unternehmen daran, das volle Potenzial von KI auszuschöpfen, da hochwertige, gut verwaltete und zugängliche Daten die Grundlage für die Entwicklung zuverlässiger und effektiver KI-Systeme bilden. Unternehmen, die ihre mangelnde Datenreife überwinden möchten, beginnen häufig damit, eine Datenstrategie zu entwickeln, Richtlinien für die Data Governance einzuführen, in die Dateninfrastruktur zu investieren und die Datenkompetenz teamübergreifend zu stärken.
Die Auswirkungen auf die Einführung von KI
All diese Ausführungen führen uns zum eigentlichen Kern dieses Beitrags: Ein geringer Datenreifegrad bremst die Einführung von KI. Diese verlangsamt sich bereits, da Unternehmen die leicht zugänglichen Potenziale generativer KI (Chatbots, Assistenten, Copiloten) größtenteils schon ausgeschöpft haben und beim Übergang zu wertvolleren Anwendungsfällen wie der Workflow-Automatisierung auf Probleme aufgrund mangelnder Datenreife stoßen. Unternehmen, die der Datenreife keine Priorität einräumen, werden Schwierigkeiten haben, diese fortschrittlicheren KI-Funktionen zu erschließen.
Ein geringer Datenreifegrad führt zu mangelndem Vertrauen in Analysen und in die Vorhersehbarkeit der Ausführung. Das bremst sämtliche Pläne aus, KI autonomer einzusetzen – sei es zur Automatisierung geschäftlicher oder betrieblicher Prozesse. Eine Studie der MIT Sloan Management Review aus dem Jahr 2023 zeigt, dass Unternehmen mit ausgereiften Datenmanagementpraktiken bei der Workflow-Automatisierung mit einer um 60 % höheren Wahrscheinlichkeit erfolgreich sind als Unternehmen mit unausgereiften Datenpraktiken. Ein geringer Datenreifegrad schränkt die Prognosegenauigkeit und Zuverlässigkeit von KI ein – beides ist für autonome Funktionen, bei denen Entscheidungen ohne menschliches Eingreifen getroffen werden, von entscheidender Bedeutung.
Unternehmen müssen – und zwar im Sinne des RFC-Schlüsselworts MUST – ihre Datenbestände in Ordnung bringen, bevor sie das Potenzial von KI zur Optimierung von Arbeitsabläufen wirklich ausschöpfen und wertvolle Zeit freisetzen können, damit sich Menschen auf Strategie und Design konzentrieren können – Aufgaben, für die die meisten KI-Systeme noch nicht gut geeignet sind.
Mangelnde Datenreife überwinden
Die Überwindung mangelnder Datenreife ist entscheidend, um fortschrittliche KI-Funktionen zu ermöglichen. Zu den wichtigsten Schritten gehören:
- Entwickeln Sie eine klare Datenstrategie
Richten Sie Datenerfassung, Datenmanagement und Qualitätsstandards an den Unternehmenszielen aus, um sicherzustellen, dass die Daten KI-Projekte wirksam unterstützen. - Eine robuste Data Governance implementieren
Legen Sie Richtlinien für Dateneigentum, Compliance, Sicherheit und Datenschutz fest, um die Datenqualität zu verbessern und das Vertrauen in KI-gestützte Erkenntnisse zu stärken. - In eine skalierbare Dateninfrastruktur investieren
Setzen Sie auf moderne Infrastruktur wie Cloud-Speicher und Datenpipelines, um eine effiziente Verarbeitung und skalierbares KI-Training zu ermöglichen. - Datenqualitätsstandards verbessern
Legen Sie Standards für die Genauigkeit, Konsistenz und Vollständigkeit von Daten fest und sorgen Sie für eine regelmäßige Überwachung und Bereinigung. - Datenkompetenz und Zusammenarbeit fördern
Fördern Sie eine Kultur der Datenkompetenz und der Zusammenarbeit zwischen Daten- und Geschäftsbereichen, um die Zugänglichkeit und Wirkung von Daten zu verbessern.
Durch die Umsetzung dieser Praktiken können Unternehmen eine solide Datengrundlage für KI schaffen. Dies führt zu optimierten Arbeitsabläufen, geringeren Risiken und mehr Zeit für strategische Aufgaben.
Datenreife ist nicht nur eine technische Notwendigkeit, sondern ein strategischer Vorteil, der es Unternehmen ermöglicht, das volle Potenzial von KI auszuschöpfen. Indem sie mangelnde Datenreife überwinden, können Unternehmen von einfachen KI-Anwendungen zu transformativeren, wertorientierten Anwendungsfällen übergehen und sich so langfristig erfolgreich für eine KI-geprägte Zukunft positionieren.
Weitere Informationen finden Sie in unserem „Digital Enterprise Maturity Index Report 2024“.
Über den Autor
Lori MacVittie ist Distinguished Engineer und Chief Evangelist im Office of the CTO von F5 und verfügt über umfassende Expertise in den Bereichen Anwendungsbereitstellung, Automatisierungsstrategie und Infrastruktur. Sie ist dafür bekannt, Komplexität verständlich zu machen – ob sie Leitplanken für KI-Agenten definiert, fragile Multicloud-Architekturen analysiert oder die Grenzen skalierbarer Systeme auslotet. Sie verfügt über mehr als dreißig Jahre Branchenerfahrung in der Anwendungsentwicklung, IT-Architektur sowie im Netzwerk- und Systembetrieb. Bevor sie zu F5 kam, war sie als mehrfach ausgezeichnete Technologie-Redakteurin tätig. MacVittie hat einen Masterabschluss in Informatik und ist eine produktive Autorin, deren Veröffentlichungen die Bereiche Sicherheit, Cloud und Unternehmensarchitektur abdecken. Außerdem spielt sie leidenschaftlich gern Brett- und Videospiele und vertritt mit voller Überzeugung klare Ansichten zum Thema Käse.
Weitere Blogbeiträge von Lori Mac VittieÄhnliche Blogbeiträge
Ein umfassender Leitfaden zur Bereitstellung und Sicherheit von KI-Anwendungen
Entdecken Sie optimale Strategien für die Absicherung und Bereitstellung von KI-Anwendungen.
KI zulassen und einführen? Lehren aus der Public Cloud
Die Einführung von KI steht unmittelbar bevor und könnte entscheidend sein, um wettbewerbsfähig zu bleiben. Daher muss die IT-Sicherheit proaktiv handeln und der KI-Einführung schon jetzt einen Schritt voraus sein, um sie auf einen risikogerechten Weg zu lenken.
Stand der Anwendungsstrategie 2022: Zeit für die Modernisierung des Betriebs
Es ist deutlich geworden, dass Unternehmen ihren Fokus erneut auf die Geschäftsfunktionen richten müssen, um die Dynamik ihrer digitalen Transformation aufrechtzuerhalten. Kundenerlebnisse haben zwar weiterhin Priorität, doch auch Geschäftsfunktionen wie Recht, Personalwesen und Finanzen müssen digitalisiert werden. Das bedeutet, dass CIOs das Steuer übernehmen, während sich die digitale Transformation von der Modernisierung von Anwendungen hin zur Modernisierung von Betriebsabläufen verlagert.
F5s Weg zu einer vielseitigen Plattform für Anwendungsanalysen
F5 bietet heute die umfassendsten Anwendungsdienste entlang des gesamten Weges vom Code bis zum Kunden. Künftig werden wir verstärkt auf Anwendungstelemetrie und -analysen setzen, damit unsere Kunden wertvolle Erkenntnisse über ihre Anwendungen, Geschäftsabläufe und Benutzererlebnisse gewinnen können. Beim Ausbau unserer Cloud-Analysefunktionen werden wir ML und KI noch stärker nutzen, um unsere Kunden bei der Verbesserung ihrer Geschäftsdienste zu unterstützen.
Telemetrie: Eine andere Art von Daten
Verwenden wir den Begriff „Telemetrie“ nur, weil er attraktiver klingt als „Daten“? Letztlich sind sowohl Daten als auch Telemetrie strukturierte Informationseinheiten. Es ist kein Verbrechen, die Begriffe synonym zu verwenden. Doch wenn man es genau nimmt, gibt es einen Unterschied. Und dieser Unterschied wird immer wichtiger werden, je weiter Unternehmen in die Datenökonomie vordringen.
MTTR bedeutet nicht „Mean Time to Reboot“
„Schnell scheitern“ lautet heute das Mantra für mehr Geschwindigkeit. Ob in DevOps oder im Geschäftsleben: Wer in einer digitalen Wirtschaft agiert, muss eine möglichst perfekte Verfügbarkeit gewährleisten.