Fünf Voraussetzungen für produktive KI: Was wir von der TDWI München mitnehmen

Wer in diesem Jahr die TDWI München besucht hat, konnte einen deutlichen Wandel beobachten. KI ist kein Sonderthema mehr, das neben Data & Analytics steht. KI ist ein selbstverständlicher Teil der Diskussion geworden: mal als Treiber neuer Anforderungen, mal als Werkzeug für Automatisierung, mal als Prüfstein für bestehende Datenarchitekturen.

Gerade deshalb war die Diskussion erstaunlich reif. Es ging weniger um Buzzwords als um die Frage, welche Voraussetzungen Unternehmen schaffen müssen, damit KI im Alltag zuverlässig mit Daten arbeiten kann. Aus unserer Sicht lassen sich die Eindrücke der Konferenz in fünf Themen bündeln.

Eine der deutlichsten Botschaften der TDWI kam bereits in der Keynote: Daten- und KI-Projekte müssen ihren Wert zeigen. Gerade in der aktuellen wirtschaftlichen Lage reicht es nicht, eine neue Plattform aufzubauen, weil sie technisch modern ist. Projekte müssen erklären, welche Entscheidungen sie verbessern, welche Prozesse sie beschleunigen oder welche Risiken sie reduzieren.

Datenplattformen dürfen kein Selbstzweck sein, aber eine reine ROI-Betrachtung einzelner Anforderungen greift zu kurz. Viele Grundlagen, die später für produktive KI wichtig werden, lassen sich nicht sauber einem einzelnen Business Case zurechnen. Datenqualität, Datenmodellierung, Metadaten und Governance zahlen oft auf mehrere Vorhaben ein. Ihr Nutzen entsteht über Zeit und über Projektgrenzen hinweg.

Intern formulieren wir es häufig so: Data Driven zu sein bedeutet nicht, möglichst viele Anforderungen abgebildet zu haben. Entscheidend ist, die nächste Anforderung mit geringeren Grenzkosten umsetzen zu können.

Ein Praxisbeispiel aus unserem eigenen Beitrag auf der TDWI zeigte diesen Zusammenhang sehr konkret. Im Vortrag „Lakehouse als Enabler für Machine Learning im Gesundheitswesen“ haben Sebastian Gobst und Yannik Queisler gemeinsam mit der KVWL gezeigt, wie eine moderne Lakehouse-Architektur bestehende Prozesse ablösen und gleichzeitig neue analytische Möglichkeiten schaffen kann. Der Nutzen lag nicht nur in einem einzelnen Bericht oder Modell. Entscheidend war die Fähigkeit, Reporting, Analyse und Machine Learning auf einer gemeinsamen Grundlage weiterzuentwickeln.

Viele Unternehmen stehen noch zwischen alter und neuer Welt. Klassische Data-Warehouse- und ETL-Landschaften sind oft über Jahre gewachsen. Sie tragen zentrale Reportingprozesse, sind aber für neue analytische Anforderungen häufig zu schwerfällig. Gleichzeitig entstehen moderne Plattformen für Data Science, Machine Learning und KI. Wenn diese Welten getrennt laufen, entstehen neue Silos.

Die TDWI hat gezeigt, wie stark viele Organisationen an genau diesem Übergang arbeiten. Klassisches Reporting braucht Stabilität, klare Kennzahlen und Vertrauen. Data-Science-Teams brauchen Zugriff auf granulare Daten und flexible Entwicklungswege. KI-Anwendungen brauchen zusätzlich Kontext, Metadaten und saubere Schnittstellen.

Eine gemeinsame Datenbasis bedeutet deshalb nicht, dass alle Teams gleich arbeiten müssen. Sie bedeutet, dass Daten nicht mehrfach gegeneinander aufgebaut werden. Unterschiedliche Nutzungsformen brauchen unterschiedliche Schichten, aber sie sollten auf einer konsistenten Grundlage aufsetzen.

Lakehouse-Architekturen sind hier eine naheliegende Antwort. Sie trennen Speicherung und Verarbeitung, ermöglichen verschiedene Compute-Engines und schaffen Raum für unterschiedliche Arbeitsweisen. Gleichzeitig gilt: Ein Lakehouse löst keine fachlichen Probleme von allein. Ohne klare Verantwortlichkeiten, Datenmodellierung und Qualitätsprozesse bleibt es nur eine technische Plattform.

Kaum ein Themenfeld war auf der TDWI so präsent wie die Frage nach Unternehmenswissen. Semantic Layer, Data Catalogs, Ontologien, Data Contracts und Knowledge Graphen wurden in vielen Zusammenhängen diskutiert. Diese Begriffe meinen nicht dasselbe. Sie zeigen aber auf ein gemeinsames Problem: Fachliches Wissen muss in eine Form gebracht werden, mit der Menschen und Systeme arbeiten können.

Das ist eine Verschiebung in unserer Arbeit. Daten zu modellieren bleibt wichtig. Aber es reicht nicht mehr aus. Unternehmen müssen auch Begriffe, Regeln, Kennzahlen, Verantwortlichkeiten und Prozesswissen modellieren.

Ein Agent kann eine Tabelle lesen. Er versteht damit aber noch nicht, was eine Kennzahl bedeutet, welche Definition gilt oder warum eine Abweichung fachlich plausibel ist. Dafür braucht er Kontext. Dieser Kontext entsteht nicht automatisch. Er muss beschrieben, gepflegt und technisch nutzbar gemacht werden.

Im Grunde ist das keine neue Aufgabe. Data & Analytics hat schon immer Informationen strukturiert und nutzbar gemacht. Neu ist die Konsequenz. Früher konnte ein Dashboard auch mit lückenhafter Dokumentation noch funktionieren, solange die Nutzerinnen und Nutzer genug implizites Wissen hatten. Wenn KI-Systeme Daten eigenständig finden, interpretieren und weiterverarbeiten sollen, reicht implizites Wissen nicht mehr aus.

Damit rückt Knowledge Engineering näher an Data Engineering heran. Neben der Datenhaltung stellt sich immer stärker die Frage, wo das Wissen über diese Daten gepflegt wird.

Ein weiteres großes Thema der TDWI war digitale Souveränität. Zwei Keynotes haben dieses Thema aus unterschiedlichen Perspektiven beleuchtet: rechtlich mit Blick auf US Cloud Act, Datenschutz und Zugriffsmöglichkeiten staatlicher Stellen sowie analytisch mit Blick auf die Ergebnisse einer aktuellen Studie zu Data Sovereignty.

Die Diskussion war dabei keine ideologische Auseinandersetzung darüber, ob Cloud gut oder schlecht ist. Viele Unternehmen kennen Vendor Lock-in bereits aus ihrer alten On-Premise-Welt. Proprietäre Datenbanken, ETL-Werkzeuge, Dateiformate und Plattformen haben Migrationen oft teuer und riskant gemacht. In der Cloud kommen neue Abhängigkeiten hinzu: regulatorische Fragen, geopolitische Risiken, Kostenentwicklung und die Geschwindigkeit, mit der Plattformen sich verändern.

Deshalb wird Architektur selbst zum Hebel für Investitionsschutz. Unternehmen müssen entscheiden, auf welchen Ebenen sie Abhängigkeiten akzeptieren und wo sie bewusst offen bleiben wollen. Das betrifft Speicherformate, Transformationslogik, Orchestrierung, Metadaten und die Schnittstellen zu analytischen Anwendungen.

An diesem Punkt setzte auch mein Vortrag „Open Lakehouse Architekturen: Investitionsschutz statt Lock-in“ an. Die zentrale These: Vendor Lock-in ist kein einzelnes Produktproblem. Er entsteht durch viele Architekturentscheidungen. Wer Daten offen speichert, Verarbeitung entkoppelt und fachliche Artefakte möglichst portabel hält, gewinnt Spielraum.

Offenheit bedeutet dabei nicht, auf SaaS- oder Cloud-Angebote zu verzichten. Es geht vielmehr darum, Plattformen so zu nutzen, dass sie heutigen Nutzen liefern, ohne künftige Veränderung unnötig schwer zu machen.

Auch die starke Präsenz von dbt auf der Konferenz passt in dieses Bild. dbt war eines der meistgenannten Tools, gerade weil viele Unternehmen ihre Transformationslogik versionierbarer, testbarer und portabler machen wollen. Gleichzeitig ist die Stimmung seit der Übernahme durch Fivetran nicht unkritisch. Die jüngsten Entwicklungen rund um dbt Core haben viele Diskussionen etwas beruhigt, die Unsicherheit bleibt aber spürbar. Offenheit wird nicht mehr als Idealismus diskutiert, sondern als Frage von Handlungsfähigkeit.

Der spannendste KI-Moment der TDWI war aus unserer Sicht nicht die nächste Oberfläche und auch nicht der kreativste Prompt. Interessant wurde es dort, wo ein Agent mit wenig Prompt zu einem reproduzierbaren Ergebnis kam, weil vorher viel sauber beschrieben war: fachliche Anforderungen, technische Artefakte, verfügbare Werkzeuge und die Zuordnung zwischen diesen Ebenen.

Das ist ein anderer Blick auf Automatisierung. KI wird nicht dadurch robust, dass man immer längere Prompts schreibt. Sie wird robuster, wenn der Kontext explizit vorliegt und in wiederverwendbaren Formen beschrieben ist.

Data Contracts, Data Product Beschreibungen, semantische Modelle, standardisierte Schnittstellen und versionierte Transformationslogik schaffen einen Rahmen, in dem KI weniger raten muss. Standards ersetzen keine Fachlichkeit. Sie machen Fachlichkeit anschlussfähig.

Eine offene Frage bleibt, wo dieses Wissen im Unternehmen tatsächlich lebt. In einem Data Catalog? In einem Semantic Layer? In YAML-Dateien? In einem Modellierungswerkzeug? Oder in einem übergreifenden Informationsmodell, das verschiedene Sichten erzeugt?

Auf der TDWI wurde auch ein mehrstufiger Ansatz diskutiert, bei dem Unternehmenswissen über Ontologien in einer zentralen Wissensbasis abgebildet wird. Ein Knowledge Graph kann daraus unterschiedliche Ausschnitte bereitstellen: für Governance, für Datenprodukte, für semantische Schnittstellen oder für agentische Prozesse. Der Gedanke ist attraktiv, weil er ein bekanntes Problem adressiert: Fachlichkeit darf nicht an fünf Stellen parallel gepflegt werden.

Für die Praxis ist das vermutlich eine der wichtigsten Architekturfragen der nächsten Jahre. Unternehmen brauchen nicht nur mehr Metadaten. Sie brauchen ein Modell dafür, wie Wissen entsteht, wo es gepflegt wird und wie daraus konsistente Artefakte für unterschiedliche Systeme werden.

Die TDWI München hat gezeigt, dass Data & Analytics vor einer neuen Phase steht. KI macht Architektur, Modellierung und Governance nicht überflüssig. Sie macht sie wichtiger.

Wenn KI-Systeme mit Daten arbeiten sollen, brauchen sie mehr als Zugriff auf Tabellen. Sie brauchen eine belastbare Datenbasis, fachlichen Kontext, klare Standards und eine Architektur, die Veränderung zulässt.

Für Unternehmen heißt das: Der Weg zu produktiver KI führt nicht nur über neue Modelle oder Tools. Er führt über Grundlagenarbeit. Diese Grundlagen sind nicht immer sichtbar. Sie sind nicht immer leicht einem einzelnen Business Case zuzuordnen. Aber ohne sie bleibt KI oft im Prototyp stecken.

Vielleicht ist genau das die eigentliche Veränderung. KI nimmt uns für Data-&-Analytics-Aufgaben die Arbeit nicht ab. Sie verschiebt sie.

Wer künftig produktive KI-Systeme bauen will, wird mehr Zeit in Fachlichkeit, Metadaten, Architektur und Standards investieren müssen. In die Themen also, über die auf der TDWI 2026 so intensiv diskutiert wurde.