Ohne AI-ready Daten bleibt jede AI-Strategie Theorie

Welche Themen und Impulse prägten den Gartner Summit 2025?

Ein zentrales Thema war die Frage, wie Datenplattformen gestaltet sein müssen, um moderne AI-Initiativen zu ermöglichen. Der Begriff "AI-ready Data" war allgegenwärtig. Damit verbunden sind Anforderungen wie hohe Datenqualität, klare Governance, ein durchdachtes Metadatenmanagement und umfassende Observability. Nur wenn diese Faktoren erfüllt sind, lässt sich AI sinnvoll operationalisieren.
Spannend war auch der Blick auf zukünftige Entwicklungen. Konzepte wie Agentic AI, Guardian Agents und softwaredefinierte Halbleiter zeigen deutlich, wie stark AI bereits jetzt ganze IT-Architekturen beeinflusst. Abseits von den Gartner Präsentationen hat Rahaf Harfoush in ihrer Guest-Keynote "Digital Zen" einen wichtigen Punkt in Erinnerung gerufen: Bei aller Euphorie darf der technologische Fortschritt nicht auf Kosten der psychologischen und kulturellen Balance im Unternehmen gehen.

Was sind die grössten strategischen und technischen Herausforderungen in AI- und Datenprojekten?

Viele Unternehmen verfügen nicht über eine durchgängige Verbindung zwischen Unternehmens-, IT- und Datenstrategie. Das führt zu fehlender Orientierung und bremst strategisch wichtige Vorhaben aus. Datenplattformen werden oft zentral betrieben und als Kostenstelle geführt, was Investitionen in zukunftsorientierte Initiativen erschwert.
Auf technischer Ebene dominieren Themen wie mangelnde Datenqualität, isoliertes Metadatenmanagement, unklare Verantwortlichkeiten und fehlende Transparenz. AI-Initiativen scheitern häufig nicht am Use Case selbst, sondern an der fehlenden Fähigkeit, diese nachhaltig und skalierbar zu betreiben.

Wie lässt sich der Erfolg von AI, Data & Analytics messbar machen?

Entscheidend ist, AI-Initiativen an klaren Business-Zielen auszurichten und mit messbaren KPIs zu verbinden. Dazu gehören finanzielle Kennzahlen wie ROI und Umsatzsteigerung, operative Grössen wie Effizienzgewinne oder Risikoreduktion, aber auch weiche Faktoren wie Kundenzufriedenheit oder Innovationsfähigkeit.
Ein weiterer Erfolgsfaktor ist die Einführung von Self-Service-Strukturen. Sie entlasten zentrale Data-Teams und bringen datenbasiertes Arbeiten näher an das Business. Metadatenmanagement und Observability ermöglichen es, Fortschritte und Nutzen kontinuierlich sichtbar zu machen.

Welcher Trend oder welches Praxisbeispiel war besonders prägend?

Eines der prägnantesten Learnings war die Bedeutung von Metadaten. Sie sind die Grundlage für Self-Service, helfen bei der Auswahl relevanter Daten für AI-Anwendungen und werden künftig auch notwendig sein, um Agentic Systeme mit den richtigen Informationen zu versorgen.
Darüber hinaus wurde deutlich, dass Datenqualität und verlässliche Governance essenziell sind. Ohne diese Basis laufen AI-Vorhaben Gefahr, unpräzise oder sogar fehlerhafte Ergebnisse zu liefern. Wer heute in diese Themen investiert, schafft ein stabiles Fundament für die nächsten Entwicklungsschritte.

Welche Empfehlungen ergeben sich für Unternehmen, die mit AI starten oder den nächsten Schritt planen?

Es ist entscheidend, nicht länger auf Pilotprojekte zu setzen, sondern den Fokus auf Professionalisierung zu legen. Die Herausforderungen, warum AI-Projekte scheitern, sind heute bekannt. Unternehmen müssen diese nicht selbst erneut erleben. Stattdessen sollten Architektur-Blueprints, stabile Plattformen und eine gut abgestimmte Betriebsorganisation im Zentrum stehen.
Wichtig ist auch, AI-Initiativen nicht von der Technologie her zu denken, sondern vom angestrebten Mehrwert. Nur wenn die Business-Ziele klar definiert sind und das Management an Bord ist, entsteht echte Veränderung. Dabei dürfen kulturelle und menschliche Aspekte nicht übersehen werden.