The Data Economist | Establishing sustainable "Data Inspired & Digital Culture"

Warum erfolgreiche Unternehmen KI zuerst am Engpass ihrer Wertschöpfungskette einsetzen und erst danach die Arbeit selbst beschleunigen

56 % der CEOs sehen durch KI weder höhere Umsätze noch niedrigere Kosten. Nur 12 % erreichen beides, so die Befragung von 4.454 CEOs in PwCs 29th Global CEO Survey.¹ Meine These lautet: Die 12 % setzen KI an einer anderen Stelle ein. Sie wählen die Wertschöpfungskette, die über ihr strategisches Ziel entscheidet, verbessern mit KI deren primären Engpass und verkürzen so die Zeit, in der Vorgänge liegen und auf den nächsten Schritt warten. In Fertigung und Wissensarbeit macht diese Liegezeit nach meiner Schätzung rund 70 % der Durchlaufzeit aus. Die meisten KI-Adoptionen setzen dagegen an den übrigen 30 % an: an der Geschwindigkeit, mit der einzelne Menschen ihre Arbeit erledigen.

Eindeutige Daten und ein klarer strategischer Fokus bestimmen, wie weit KI in der Wertschöpfungskette wirkt

21 oder 95 %. Zwischen diesen beiden Werten lag bei Anthropic die Genauigkeit, mit der Claude Fragen zur Geschäftsanalyse beantwortete.¹ Die 21 Prozent erreichte das Modell ohne kuratierte Grundlage. Über 95 Prozent waren es, nachdem das Datenteam gesteuerte Datenmodelle, verbindliche Definitionen und eine laufende Validierung aufgebaut hatte. Für jede Organisation, die KI skalieren will, ergibt sich daraus eine klare Reihenfolge: Eine eindeutige Datensprache und der strategische Fokus auf die wertvollsten Anwendungsfälle machen aus einzelnen KI-Erfolgen eine dateninspirierte Organisation, die entlang der gesamten Wertschöpfungskette schneller und besser entscheidet.

Warum ich meine Texte ab heute nach dem Human Thinking Level deklariere

Seit heute, dem 2. August 2026, verlangt Artikel 50 der europäischen KI-Verordnung Auskunft über die Herkunft veröffentlichter Texte. Wer den Inhalt fachlich prüft und die redaktionelle Verantwortung übernimmt, ist von der Kennzeichnung befreit. Genau diese Befreiung öffnet eine Lücke: Wer am meisten eigene Denkleistung investiert, muss am wenigsten sagen, und sagt deshalb nichts. Ich gehe den umgekehrten Weg und deklariere freiwillig, wie viel Denkleistung in einem Text steckt. Den Vorschlag dazu habe ich vor gut fünf Wochen an dieser Stelle zum ersten Mal gemacht, damals als Gedankenmodell.⁵ Seit heute setze ich ihn um. Aus einer Offenlegungspflicht wird damit ein Qualitätsversprechen, und aus einem Compliance-Vorgang ein Unterscheidungsmerkmal, das sich nicht kopieren lässt.

Nicht das Werkzeug entscheidet über den Wert eines Inhalts, sondern die Denkleistung dahinter. Ein Bewertungsschema für die Ära der Kennzeichnungspflicht.

Wer heute Inhalte mit KI erstellt und das verschweigt, handelt betriebswirtschaftlich nachvollziehbar. Im Bain Media Consumption Survey vom Mai 2025 lehnen 44 Prozent der Befragten KI-generierte Bücher vollständig ab, bei Nachrichten sind es 32 Prozent.¹ Über alle Medienformate hinweg geben nur rund 6 bis 16 Prozent an, dass sie KI-Inhalte eher oder sehr wahrscheinlich nutzen würden. Die Mehrheit reagiert neutral bis ablehnend. Wer also KI nutzt und das offenlegt, fürchtet die Abwertung seines Produkts, und diese Furcht beruht auf einer korrekten Marktbeobachtung. Der Reflex, die Maschine zu verbergen, ist verständlich. Er kostet dennoch genau den Wert, den er schützen soll. Denn er beantwortet die falsche Frage. Es geht nicht darum, ob KI im Spiel war, sondern an welcher Stelle ein Mensch denkt.

Das Data Management Model 5.1 und die neue Architektur für dateninspirierte Unternehmen

Mehr als 80 Prozent der KI-Initiativen in Unternehmen liefern keinen messbaren Ergebnisbeitrag. Gartner nennt fehlende KI-fähige Daten als häufigsten Grund für gescheiterte KI-Deployments. Dieser Befund klingt nach einem Datenqualitätsproblem. Tatsächlich ist er ein Architekturproblem.

Organisationen, die in KI investieren, treffen dabei implizit eine Annahme: dass ihre Datenbasis strukturell auf KI-Systeme vorbereitet ist. Diese Annahme ist in den meisten Fällen falsch. Nicht weil die Daten schlecht wären, sondern weil die Governance-Regeln, die ihre Nutzung steuern, in Formaten vorliegen, die kein KI-System lesen kann. Qualitätsregeln stehen in Wikis, Verantwortlichkeiten in Organigrammen, Nutzungsbedingungen in PDFs. Ein KI-Agent, der eine regulatorische Analyse erstellen soll, findet in dieser Dokumentationsschicht keine verwertbare Kontextinformation.

Das Data Management Model 5.1 adressiert genau diesen strukturellen Bruch. Es beschreibt nicht, wie Daten gespeichert und verarbeitet werden, das leisten Plattformen. Es beschreibt, wie Governance, Strategie, Data Life Cycle und KI-Systeme als kohärente Architektur zusammenwirken. Und es positioniert Data Contracts als das fehlende Verbindungselement zwischen operativer Datenproduktion und maschinenlesbarer Steuerung.

Die Zahl, die alles neu ordnet

448 Milliarden US-Dollar. So viel investieren Microsoft, Amazon, Alphabet, Meta und Oracle gemeinsam im Kalenderjahr 2025 in physische Infrastruktur: Rechenzentren, Grafikprozessoren, Kühlsysteme, Energieversorgung, Grundstücke.¹ Die Schätzungen für 2026 liegen bereits oberhalb von 600 Milliarden. Goldman Sachs erwartet kumuliert über 1,15 Billionen Dollar für die Periode 2025 bis 2027.²

Wer diese Zahlen als Marktkapitalisierungsarithmetik beiseitelegt, verpasst das eigentliche Argument. Wenn fünf Unternehmen mehr Kapital deployieren als die gesamte globale Telekommunikationsindustrie, dann ist KI keine Softwarekategorie mehr. Sie ist industrielle Infrastruktur in einem Tempo, das historisch nur bei der Elektrifizierung des frühen zwanzigsten Jahrhunderts und beim Eisenbahnbau des neunzehnten zu finden ist. Die marginalen Kosten von Intelligenz bestehen nicht aus Code allein, sondern aus dem Zusammenspiel von Software, Megawatt, Beton und Kupfer. Konvergenz im wörtlichsten Sinne.