Die eigentliche KI-Herausforderung sind Ihre Daten – nicht die Algorithmen

Schweizer Unternehmen und Geschäftsführer wissen längst, dass Künstliche Intelligenz (KI) ein gewaltiges revolutionäres Potenzial besitzt. Viel weniger klar ist den meisten Entscheidungsträgern jedoch, woran KI-Projekte in der harten Praxis der Schweizer Wirtschaft wirklich scheitern. Es sind nämlich äusserst selten die mathematischen Algorithmen oder die mangelnde Leistungsfähigkeit der KI-Modelle selbst. Es ist fast immer die unzureichende, fragmentierte Datengrundlage. Die Swiss IT-Studie 2026 bestätigt unmissverständlich: Datenqualität, nahtlose Systemintegration und eine gelebte Data Governance sind die entscheidenden Hürden auf dem Weg zu einer nachhaltigen, wertschöpfenden KI-Nutzung.

Was nützt der raffinierteste KI-Copilot, wenn er mit fehlerhaften Informationen gefüttert wird? Im Zeitalter des “einfachen Promptens” wird oft übersehen, dass eine KI keinen gesunden Menschenverstand besitzt. Sie spiegelt, verzerrt und multipliziert die Schwachstellen Ihrer internen IT-Infrastruktur gnadenlos. Wer in KI investiert, ohne die Datenbasis und Systemlandschaft ausreichend zu berücksichtigen, riskiert Projekte mit begrenztem Nutzen oder hoher Nacharbeit.

Mittelmass als Stolperstein: Warum klassische IT-Daten für KI versagen

Die Mehrheit der im Rahmen der Swiss IT-Studie befragten Schweizer Unternehmen bewertet die eigene Datenbasis ernüchternderweise lediglich als «mittelmässig» bis «einigermassen gut». Für klassische, transaktionale IT-Anwendungen, wie das manuelle Buchen im ERP oder das Erfassen einer Adresse im CRM, mag dieses qualitative Mittelmass im operativen Alltag vollkommen ausreichen. Für anspruchsvolle KI-Anwendungen und automatisierte Algorithmen ist es in den allermeisten Fällen jedoch schlichtweg zu wenig.

Moderne KI-Modelle reagieren extrem empfindlich auf Inkonsistenzen, logische Lücken und historische Verzerrungen in den Datenbeständen. Was in Ihren Abteilungen durch das Improvisationstalent und das Mitdenken erfahrener Mitarbeitender stillschweigend korrigiert wird, führt in einer KI-Anwendung zu unzuverlässigen, schwer interpretierbaren oder im schlimmsten Fall geschäftsschädigenden und gefährlichen Ergebnissen.

Hinzu kommt das fundamentale Problem der Herkunft und Struktur der Daten. In vielen Schweizer Unternehmen stammt der Löwenanteil der digital verfügbaren Informationen aus hochstrukturierten ERP-Systemen. Diese Daten sind zwar sauber organisiert und konsistent gepflegt, sie bilden aber primär rein transaktionale Prozesse der Vergangenheit ab. Für zukunftsweisende KI-Anwendungen, prädiktive Analysen oder intelligente Workflow-Automatisierungen braucht es jedoch erheblich mehr:

• Semantische Verknüpfungen zwischen den Systemen müssen lückenlos existieren.
• Der tiefere geschäftliche Kontext muss digitallesbar hinterlegt sein.
• Unstrukturierte Quellen wie E-Mails, PDF-Rapporte und Protokolle müssen einbezogen werden.
• Eine saubere historische Tiefe ohne logische Brüche ist zwingend erforderlich.

Genau diese semantische und historische Tiefe fehlt in gewachsenen Systemlandschaften der allermeisten KMU und Verwaltungen vollständig.

Die vier Daten-Hürden, die KI-Initiativen im Keim ersticken

Aus den Ergebnissen der Swiss IT-Studie 2026 und unserer täglichen Projekterfahrung bei der Rettung und Sanierung von IT-Systemen lassen sich vier typische Hürden destillieren, die KI-Initiativen in Schweizer Unternehmen regelmässig ausbremsen oder komplett scheitern lassen.

Datensouveränität als strategische Anforderung

Die Swiss IT-Studie 2026 fördert einen weiteren Befund zutage, der für die praktische und rechtliche Planung von Software- und KI-Projekten in der Schweiz von herausragender Relevanz ist: Die überwältigende Mehrheit der Schweizer Unternehmen akzeptiert ausschliesslich IT-Lösungen, bei denen die Datenhaltung und -verarbeitung garantiert in der Schweiz oder zumindest innerhalb der EU erfolgt.

Dieses tief verankerte Bedürfnis nach digitaler Souveränität und kompromisslosem nDSG-Schutz ist vollkommen nachvollziehbar und stellt gleichzeitig eine enorme technologische Einschränkung dar. Denn die weltweit führenden, leistungsfähigsten KI-Grossmodelle und Hyperscaler-Plattformen stammen nach wie vor überwiegend von US-amerikanischen Anbietern.

Für die unternehmerische Praxis bedeutet dies: Wer KI-gestützte Individualsoftware erfolgreich nutzen will, darf die Datensouveränität nicht als lästiges, nachgelagertes Compliance-Thema behandeln. Es handelt sich um ein zentrales, hochkomplexes Architekturproblem, das von der ersten Konzeptskizze an gelöst werden muss.

Europäische und schweizerische Deployment-Modelle gewinnen zunehmend an Bedeutung, insbesondere wenn regulatorische Anforderungen, Datenresidenz oder organisatorische Vorgaben im Vordergrund stehen. Der Königsweg liegt hierbei in intelligenten, hybriden Architekturen: Besonders sensible Personen- oder Geschäftsdaten verbleiben strikt isoliert in einer souveränen Schweizer Cloud-Infrastruktur, während unkritische Prozesse über geschützte, anonymisierte Gateways von der Rechenleistung globaler Modelle profitieren können.

Das Anforderungsprofil: Was KI-fähige Daten im Jahr 2026 ausmacht

Gute Daten für den erfolgreichen KI-Einsatz sind weit mehr als nur oberflächlich «saubere» Tabellen. Sie müssen spezifische, technologische Eigenschaften aufweisen, die im Rahmen einer professionellen Software-Entwicklung bewusst und kontinuierlich hergestellt werden müssen:

• Vollständigkeit: Kritische Datenfelder dürfen keine systemischen Lücken aufweisen. Historische Verläufe müssen lückenlos dokumentiert und Ausreisser sauber deklariert sein.
• Konsistenz: Gleichartige Informationen müssen über alle Systemgrenzen hinweg identisch abgebildet werden. Ein Kunde darf im CRM nicht anders strukturiert sein als im ERP oder in der Logistik-Applikation.
• Zugänglichkeit: Daten dürfen nicht in proprietären Datenbankstrukturen eingemauert sein. Sie müssen performant und standardisiert über definierte, sichere Schnittstellen (APIs) abrufbar sein.
• Kontext (Metadaten): Zu den reinen Rohdaten müssen zwingend beschreibende Metadaten existieren. Sie erklären der KI die logische Bedeutung, die Herkunft und den Entstehungsprozess der Information.
• Aktualität: Datenströme müssen in engmaschigen Zyklen oder Echtzeit aktualisiert werden. Trainiert oder operiert eine KI auf veralteten Annahmen, liefert sie fehlerhafte Fehlprognosen.

Datenqulität ist keine reine IT-Aufgabe

In vielen Unternehmen wird Datenqualität primär als Aufgabe der IT betrachtet. In der Praxis entstehen die meisten Datenprobleme jedoch in den Fachbereichen. Unvollständig gepflegte Stammdaten, unterschiedliche Definitionen derselben Begriffe, manuelle Sonderprozesse oder historisch gewachsene Ausnahmen führen dazu, dass Datenbestände über die Jahre an Qualität verlieren. Die IT kann technische Werkzeuge zur Validierung, Bereinigung und Integration bereitstellen. Die Verantwortung für die fachliche Korrektheit der Daten liegt jedoch bei den jeweiligen Geschäftsbereichen. Erfolgreiche KI-Initiativen setzen deshalb nicht nur auf moderne Technologie, sondern auch auf klare Verantwortlichkeiten, einheitliche Definitionen und eine konsequente Pflege der operativen Datenbestände.

Der nachhaltige Aufbau und Erhalt einer solchen Datenbasis ist niemals eine einmalige IT-Hauruck-Aktion. Es ist ein kontinuierlicher, fest verankerter Prozess im Unternehmen. Eine durchdachte Data Governance ist deshalb keine theoretische, bürokratische Übung für die IT-Abteilung, sondern eine hochrentable strategische Investition in die langfristige KI- und Überlebensfähigkeit des gesamten Unternehmens.

Der praktische Einstieg: Datenreife vor KI-Investition

Schweizer Unternehmen, die heute konkrete KI-Projekte planen, evaluieren oder ausschreiben möchten, empfiehlt Comitas einen nüchternen und unbarmherzig ehrlichen ersten Schritt: die Durchführung einer strukturierten Datenreife-Einschätzung (Data Maturity Assessment).

Bevor auch nur ein einziger Schweizer Franken für teure KI-Lizenzen, externe Algorithmen-Spezialisten oder gar für den übereilten KI-gestützten Amateur-Eigenbau ausgegeben wird, müssen folgende drei Kernfragen schonungslos beantwortet werden:

• Welche Datenbestände sind in welchen Systemen physisch vorhanden, in welcher qualitativen Güte liegen sie vor und wie offen sind die Schnittstellen?
• Wo befinden sich die grössten logischen Lücken, Daten-Silos und Medienbrüche in unserer gewachsenen Infrastruktur?
• Welche Datenströme dürfen gemäss Schweizer nDSG und internen Compliance-Vorgaben überhaupt für algorithmische Auswertungen herangezogen werden?

Dieser vorgelagerte Schritt kostet Zeit, verlangt vom Management Mut zur Wahrheit und deckt oft schmerzhafte Versäumnisse der Vergangenheit auf. Er erspart Ihrem Unternehmen jedoch immense finanzielle Schäden und Fehlinvestitionen, die unweigerlich entstehen würden, wenn hochkomplexe KI-Tools in einer unreifen IT-Umgebung deployt werden, welche die technologischen Grundvoraussetzungen schlichtweg nicht erfüllt.

KI-Projekte sollten mit Datenprojekten beginnen

Unternehmen, die schnell Fortschritte erzielen möchten, sollten ihre ersten KI-Initiativen nicht mit der Auswahl eines Modells beginnen, sondern mit einem überschaubaren Datenprojekt. Bereits die Bereinigung von Stammdaten, die Vereinheitlichung von Schnittstellen oder die strukturierte Erfassung von Fachwissen schafft häufig einen grösseren Nutzen als die sofortige Einführung neuer KI-Werkzeuge.

Fazit: Wer die Daten beherrscht, beherrscht die Zukunft

Die generative KI hat die Erstellung von Softwarecode demokratisiert und die reinen Schreibkosten drastisch gesenkt. Doch genau in dieser neuen Leichtigkeit liegt die strategische Falle für unvorbereitete Unternehmen. Wer glaubt, Softwareprojekte oder KI-Initiativen im “Prompt-and-Pray”-Verfahren im Alleingang ohne Rücksicht auf die Datengrundlage hochziehen zu können, baut auf sandigem Fundament.

Die Swiss IT-Studie 2026 rückt die Prioritäten gerade: Nicht der Algorithmus entscheidet über Sieg oder Niederlage im digitalen Wettbewerb, sondern die Datenqualität, die nahtlose Systemintegration und der rechtssichere Schutz der Privatsphäre. Nur Unternehmen, die ihre Daten-Silos konsequent aufbrechen, in saubere API-Architekturen investieren und Data Governance als Chefsache begreifen, werden die disruptive Kraft der KI erfolgreich für sich nutzen können.