Die Modelle von Anthropic, OpenAI und Mistral werden jedes Quartal besser, doch die meisten KI-Projekte bleiben weiterhin an derselben Stelle hängen: bei den Daten. In der Studie von Iron Mountain (2026) gaben 86% der Organisationen an, dass Datenprobleme im letzten Jahr KI-Projekte verzögert oder gestoppt haben. Eine US-Umfrage von Further ergab, dass nur 5% der KI-Entscheider ihre Daten für weitgehend KI-bereit halten. Dieser Leitfaden zeigt, was die aktuellen Studien sagen, was "AI-ready Data" für Claude-, GPT- und Mistral-Projekte konkret bedeutet und wie ein mittelständisches Unternehmen seine Daten Anwendungsfall für Anwendungsfall vorbereitet.
Der Engpass hat sich von den Modellen zu den Daten verlagert
2023 lautete die Frage, ob die Modelle gut genug sind. 2026 verarbeiten Claude-, GPT- und Mistral-Modelle lange Dokumente, rufen Werkzeuge über MCP auf und schreiben produktiven Code. Was sie nicht können: einen Kundenstamm mit drei Versionen jedes Kunden bereinigen, ein SharePoint voller veralteter Verträge aufräumen oder ein ERP abfragen, das niemand abfragen kann. Ein KI-Assistent, der aus der falschen Richtlinienversion antwortet, ist schlechter als gar keiner.
Wie oft Daten KI bremsen: vier Studien, ein Muster
Die Studien messen das Problem unterschiedlich, zeigen aber in dieselbe Richtung. Der Iron-Mountain-Bericht "The Information Supercycle" beziffert den Anteil der Organisationen mit datenbedingten Verzögerungen auf 86%. In der Fivetran-Umfrage unter 401 Datenverantwortlichen aus den USA, Europa und dem asiatisch-pazifischen Raum sahen 42% mehr als die Hälfte ihrer KI-Projekte wegen mangelnder Datenbereitschaft verzögert, hinter den Erwartungen oder gescheitert. In der Umfrage "State of Enterprise AI Maturity 2026" von Further haben 37% in den letzten 12 Monaten eine KI-Initiative pausiert, verkleinert oder aufgegeben. Gartner prognostizierte 2025, dass Organisationen bis Ende 2026 60% der KI-Projekte ohne KI-bereite Daten aufgeben werden.
Quellen: Iron Mountain, "The Information Supercycle" (2026); Gartner (Prognose vom Februar 2025); Fivetran AI & Data Readiness Survey (401 Datenverantwortliche, 2025); Further, State of Enterprise AI Maturity (515 KI-Entscheider in den USA, 2026). Unterschiedliche Stichproben und Fragen.
Hohe Ambitionen, geringe Bereitschaft
Am Willen fehlt es nicht. Laut Iron Mountain sagen 95% der Befragten, dass die Nutzung von Daten für bessere Geschäftsergebnisse Priorität hat, aber nur 39% verfügen über Daten, die digitalisiert, strukturiert und sofort für Analytics und KI nutzbar sind. In der Further-Umfrage haben nur 29% ein formales Datenaudit mit Maßnahmenplan abgeschlossen, und nur 5% halten ihre Daten für weitgehend KI-bereit. Interessant: 77% derselben Befragten melden dennoch einen positiven KI-Return. Die frühen, einfachen Anwendungsfälle zahlen sich aus, aber beim Skalieren trifft man auf die Datenmauer.
Quellen: Iron Mountain (2026) für "Daten haben Priorität" und "Daten für KI nutzbar"; Further, State of Enterprise AI Maturity (2026) für "formales Datenaudit" und "Daten weitgehend KI-bereit". Unterschiedliche Stichproben.
Wo Unternehmen hängen bleiben
Die Hindernisse sind erstaunlich einheitlich. 70% der Organisationen in der Iron-Mountain-Studie können den Lebenszyklus der in ihren KI-Modellen verwendeten Daten nicht wirksam verfolgen, 56% nennen Daten in getrennten Systemen oder Abteilungssilos, 53% Altformate oder physische Archive. In der Fivetran-Umfrage ist regulatorische Compliance die größte Datenherausforderung für KI (59%), und 41% sagen, dass fehlender Echtzeitzugriff auf Daten ihre Modelle an zeitnahen Erkenntnissen hindert.
Quellen: Iron Mountain (2026): Lebenszyklus, Silos, Altformate; Fivetran AI & Data Readiness Survey (2025): Compliance, Echtzeitzugriff.
Die Kosten zeigen sich in Zeit. Vier von zehn Organisationen verwenden mindestens 41% ihrer KI-Projektlaufzeit auf manuelle Datenaufbereitung (Iron Mountain), und laut Fivetran setzen 67% der zentralisierten Unternehmen mehr als 80% ihrer Data-Engineering-Ressourcen allein für die Wartung von Datenpipelines ein. Jede Woche, in der Tabellen kopiert werden, fehlt dem eigentlichen Anwendungsfall.
Was "KI-bereite Daten" in der Praxis bedeuten
KI-Bereitschaft ist keine Eigenschaft einer Datenbank, sondern eine Eigenschaft von Daten für einen bestimmten Anwendungsfall. Ein Kundenservice-Assistent und ein Agent für Finanzprognosen brauchen völlig Verschiedenes. Wir bewerten die Bereitschaft in sechs Dimensionen:
| Dimension | Leitfrage | Typische Maßnahme |
|---|---|---|
| Zugriff & Integration | Erreicht die KI das Quellsystem ohne manuelle Exporte? | APIs, MCP-Konnektoren, Lese-Replikate |
| Qualität & Aktualität | Sind die Daten für diese Aufgabe genau und aktuell genug? | Dubletten entfernen, Validierungsregeln, Sync-Plan |
| Metadaten & Verantwortung | Hat jede Quelle einen Verantwortlichen und eine Beschreibung? | Datenkatalog, benannte Data Owner |
| Nachvollziehbarkeit & Governance | Lässt sich eine Antwort zur Quelle zurückverfolgen? | Quellenangaben im RAG, Logging, Aufbewahrungsregeln |
| Sicherheit & Berechtigungen | Respektiert die KI dieselben Zugriffsrechte wie die Quelle? | Berechtigungsbewusste Suche, SSO, DLP |
| Unstrukturierte Inhalte | Sind Dokumente aktuell, dublettenfrei und maschinenlesbar? | Archivbereinigung, OCR, Chunking, Versionierung |
Einschätzung von AI Workshop / Blocksize auf Basis von Projekten in Kroatien und der DACH-Region, November 2026. Höher ist auf jeder Achse besser.
Warum das für Claude-, GPT- und Mistral-Projekte zählt
- Retrieval-Qualität schlägt Modellwahl. In einem RAG-System behebt der Wechsel von einem Spitzenmodell zum anderen falsche Antworten selten; das Entfernen doppelter und veralteter Dokumente meistens schon.
- Konnektoren legen Berechtigungen offen. MCP-Konnektoren und die Konnektoren in Claude Enterprise oder ChatGPT Enterprise machen Daten in Minuten erreichbar. Sind die SharePoint-Berechtigungen zu weit gefasst, zeigt der Assistent zuverlässig, was Mitarbeitende nie sehen sollten.
- Langer Kontext ist keine Datenstrategie. Große Kontextfenster lassen ein Modell mehr lesen, entscheiden aber nicht, welche Dokumentversion gilt.
- Strukturierte Daten brauchen eine semantische Schicht. Text-to-SQL-Agenten funktionieren deutlich besser, wenn Tabellen und Kennzahlen dokumentiert sind.
- Compliance braucht Nachvollziehbarkeit. Der EU AI Act verlangt Daten-Governance für Hochrisikosysteme, und die DSGVO gilt für jeden Prompt mit personenbezogenen Daten; Lineage und Logging sind der Nachweis (siehe unseren DSGVO-Leitfaden).
Ein Bereitschaftsplan, der beim Anwendungsfall beginnt
Warten Sie nicht auf eine unternehmensweite Datenplattform. Das Muster, das im Mittelstand funktioniert:
- Wochen 1–2: einen Anwendungsfall wählen und seine Daten kartieren. Alle benötigten Quellen auflisten, wer sie verantwortet und wie heute darauf zugegriffen wird.
- Wochen 3–4: in den sechs Dimensionen bewerten. Nur die Blocker beheben, die für diesen Fall zählen: veraltete Dokumente entfernen, Berechtigungen verschärfen, Schlüsseltabellen dokumentieren.
- Wochen 5–8: mit Quellenangaben und Logging bauen. Jede Antwort verweist auf ihre Quelle, sodass Nutzer und Prüfer sie kontrollieren können, und das Feedback zeigt, welche Daten noch falsch sind.
- Dann wiederholen. Jeder Anwendungsfall hinterlässt bereinigte Quellen, Konnektoren und Verantwortliche, die der nächste wiederverwendet. Messen Sie das Ergebnis gegen eine Ausgangsbasis (siehe KI-ROI messen).
Fazit
Die Studien sind sich einig: Die meisten KI-Projekte scheitern nicht daran, dass Claude, GPT oder Mistral nicht gut genug wären, sondern daran, dass die Daten dahinter verstreut, veraltet, ohne Verantwortliche oder zu breit freigegeben sind. Nur eine kleine Minderheit der Unternehmen hält ihre Daten für KI-bereit. Der schnellste Weg ist kein mehrjähriges Datenprogramm, sondern ein Ansatz, der beim Anwendungsfall beginnt: genau die richtigen Daten zugänglich, sauber, berechtigungsgeschützt und nachvollziehbar machen und diese Arbeit für den nächsten Fall wiederverwenden.
Sind Ihre Daten bereit für KI?
AI Workshop führt einen fokussierten KI-Datenbereitschafts-Check durch: Wir bewerten Ihren wichtigsten Anwendungsfall in sechs Dimensionen, beheben die Blocker und bauen die erste Claude-, GPT- oder Mistral-Lösung mit Quellenangaben, Berechtigungen und Logging.
Datenbereitschafts-Check buchen