Das Missverständnis

“Mit KI lösen wir das Problem.” Dieser Satz fällt gerne, wenn es um Datenprobleme geht. Die Hoffnung: Ein intelligentes System, das aus dem Chaos Ordnung macht.

Die Realität ist ernüchternd: Laut McKinsey State of AI 2025 nutzen 88% der Unternehmen AI, aber nur 6% erzielen signifikante Erträge (>5% EBIT). Zwei Drittel stecken noch in der Pilot-Phase. Ein Großteil scheitert an Softfacts wie Mitarbeiter-Widerstand oder fehlender Management-Unterstützung. Nach meiner Erfahrung ist aber auch die mangelnde Daten- oder Prozess-Qualität ein wesentliches Erfolgskriterium: Top-Performer fokussieren auf Dateninfrastruktur vor KI-Modellen.

TDWI-Analysen zeigen: Strukturierte Daten liefern ermöglichen schnellere Entwicklung und niedrigere Kosten als unstrukturierte AI-Ansätze.

Mein Schluss: 70-80% des Business Value kommen aus Struktur und Regeln - nicht aus KI.

Die 5 Stufen bis zum Fundament

Stufe 1: Unstrukturierte Quellen (0% Business Value)

PDF-Spezifikationen stapeln sich auf SharePoint. Wer welche Version nutzt, weiß niemand. Keine Verbindungen, manuelle Suche, Wissen in Köpfen.

Stufe 2: Embeddings/RAG (10-20% Business Value)

Volltextsuche, Tags, erste Metadaten. “Zeige alle Bauteile mit Temperaturanforderung >85°C.” Aber: keine Beziehungen zwischen Objekten.

Stufe 3: Ontologie + Graph (30-40% Business Value)

Beziehungen zwischen Objekten, Supplier-Links, Impact-Analysen. “Welche Tier-2-Lieferanten sind von Chip-Engpass betroffen?”

Tech: Neo4j, PuppyGraph

Stufe 4: Logische Regeln (50-60% Business Value)

Geschäftsregeln als ausführbare Validierung. “Warnung: Bauteil X nicht freigegeben für Temperaturbereich Y.” 100% deterministisch, keine Black Box.

Tech: SHACL, Datalog

Stufe 5: Quantifizierbare Scores (70-80% Business Value) ★

Objektive Metriken statt Bauchgefühl. “Variante A: 78 Punkte, Variante B: 62 Punkte - Empfehlung klar.” Der “100%-Nullpunkt” für effizienten KI-Einsatz.

Tech: TigerGraph Vector-Scoring, I-Score/K-Score

Der Palantir-Beweis

Palantir (Foundry/Gotham/AIP) - bewertet mit über $50 Mrd. - operiert genau in diesem Bereich: Stufe 3-7. Ihr Erfolgsrezept:

  • Ontology-Driven AI: Daten als semantisches Modell. LLMs können diese Ontologie mit natürlicher Sprache abfragen.
  • AIP Logic: No-Code-Tool für Regeln und quantifizierbare Scores. 100% deterministisch.
  • AIP Assist: LLM-Interface mit Guardrails gegen Halluzinationen.

Der entscheidende Punkt: LLM-Anteil im Betrieb nur 20-40%. 90% der Effizienz kommen aus Ontologie + Regeln. LLMs sind Interface, nicht Fundament.

Drei Vorteile strukturierter Systeme

Reproduzierbarkeit: Gleiche Eingaben = gleiche Ergebnisse. Fundamental für Audits.

Nachvollziehbarkeit: Jeder Schritt transparent. Pflicht für MDR, ISO 26262, A-SPICE.

Planbare Kosten: Fixe Infrastrukturkosten statt laufende API-Gebühren - und ein Bruchteil des CO₂-Footprints.

Wann KI sinnvoll ist

KI hat ihren Platz - aber als Werkzeug, nicht als Fundament:

  • In der Entwicklungsphase: Muster erkennen, Prototypen bauen
  • Als Interface: Natürlichsprachliche Abfragen auf strukturierten Daten
  • Für Klassifikation: Ähnlichkeiten finden, Kategorien vorschlagen

Im laufenden Betrieb sollten kritische Entscheidungen auf deterministischen Regeln basieren.

Mehr Details: Struktur vor KI - die vollständige Analyse

Nächster Artikel: Stufe 6-10: Lernende Systeme

Fragen? Gespräch vereinbaren

Quellen: