IT-Infrastruktur Datenarchitektur: 8 Schritte zu einer zukunftssicheren Datenstrategie

Anbieter zum Thema

Fivetran Germany GmbH

FIS Informationssysteme und Consulting GmbH

Esker Software Entwicklungs-und Vertrieb

Yorizon GmbH & Co. KG

Der Sommer ist die Zeit für „Check-ups“: Warum also nicht die Datenarchitektur im eigenen Unternehmen auf den Prüfstand stellen? Während viele Unternehmen derzeit intensiv über künstliche Intelligenz diskutieren, lohnt sich zunächst ein Blick auf das Datenfundament.

Da viele Unternehmen derzeit den Einsatz von künstlicher Intelligenz erwägen, lohnt sich zunächst ein Blick auf das Datenfundament. Denn moderne KI scheitert heute nur selten an den Modellen, deutlich häufiger fehlt eine konsistente, aktuelle und flexibel nutzbare Datenbasis. Wie zukunftsfähig ist also die vorhandene Datenarchitektur? Zur Aufklärung tragen folgende acht Fragen bei.

1. Datenarchitektur: Arbeiten alle Teams mit denselben Daten oder kursieren Kopien?

Wenn verschiedene Teams und KI-Anwendungen auf unterschiedliche Versionen derselben Daten zugreifen, entstehen widersprüchliche Analysen und unnötiger Verwaltungsaufwand. Jede zusätzliche Datenkopie erhöht zudem Speicherbedarf, Kosten und Komplexität. Moderne Datenarchitekturen verfolgen deshalb das Prinzip, Daten möglichst nur einmal bereitzustellen und mehrfach zu nutzen – unabhängig davon, welche Anwendungen oder Teams sie verwenden.

2. Sind die Daten offen und flexibel nutzbar – oder hängt dies von der Plattform ab?

Unternehmen sollten sich eine einfache Frage stellen: Gehören die eigenen Daten wirklich ihnen – oder der Plattform, auf der sie gespeichert werden? Offene Datenformate und interoperable Architekturen – Stichwort Open Data Infrastructure (ODI) – reduzieren das Risiko eines Vendor Lock-ins und schaffen die Freiheit, KI-Modelle einzusetzen, ohne die gesamte Infrastruktur neu aufbauen zu müssen. Für Unternehmen, die sich intensiver mit dem Konzept der ODI beschäftigen möchten, hat Fivetran eine „Data Access Scorecard“ entwickelt, die transparent bewertet, wie einfach sich Daten aus führenden Cloud-Anwendungen nutzen und übertragen lassen.

3. Datenarchitektur: Wie schnell stehen neue Daten für Analysen bereit?

Damit KI fundierte Ergebnisse liefern kann, benötigt sie aktuelle und vollständige Daten. Werden Informationen erst mit großer Verzögerung bereitgestellt, verlieren Analysen und Automatisierungen schnell an Wert. Entscheidend ist deshalb, Daten möglichst automatisiert und zeitnah aus unterschiedlichsten Quellsystemen verfügbar zu machen.

4. Wie lange dauert es, neue Datenquellen zu integrieren?

Ob CRM, ERP, Marketing-Plattform oder SaaS-Anwendung – die Zahl der Datenquellen wächst kontinuierlich. Wenn jede neue Anwendung ein eigenes Integrationsprojekt erfordert, wird Innovation bald zum Engpass. Moderne Datenintegration sollte neue Quellen innerhalb kurzer Zeit anbinden können. Vorgefertigte Konnektoren können den Aufwand für die Implementierung deutlich reduzieren und ermöglichen es, Daten effizient zusammenzuführen und in einer offenen Datenarchitektur flexibel weiterzuverwenden.

5. Wie viel Zeit verbringt Ihr Team mit der Wartung von Datenpipelines statt mit Analysen?

Viele Data Engineers beschäftigen sich noch immer vor allem mit API-Änderungen, fehlerhaften Pipelines oder individuellen Konnektoren. Diese Zeit fehlt für wertschöpfende Aufgaben wie Analytics, Governance oder KI-Projekte. Standardisierte und automatisierte Datenintegration mithilfe von Konnektoren reduziert den Wartungsaufwand und schafft Freiräume für Innovation.

6. Skaliert Ihre Datenarchitektur mit KI-Workloads?

Generative KI und agentenbasierte Anwendungen erzeugen deutlich höhere Daten- und Abfragelasten als klassische BI-Systeme. Eine Prüfung hinsichtlich der Wirtschaftlichkeit der Architektur bei steigenden Workloads ist daher unerlässlich. Offene Architekturen, bei denen Compute und Storage voneinander entkoppelt sind, ermöglichen eine flexiblere Skalierung und helfen, Infrastrukturkosten besser zu kontrollieren.

7. Können KI-Agenten Ihre Daten richtig interpretieren?

KI-Modelle und -Agenten benötigen nicht nur Datenzugriff, sondern müssen auch die Bedeutung von Tabellen, Feldern und Geschäftsbegriffen sowie deren Zusammenhänge verstehen. Ein semantischer Layer, also eine Abstraktionsschicht zwischen komplexen Rohdaten und KI-Modellen, die technische Datenbankstrukturen in verständliche Geschäftsbegriffe übersetzt, liefert diesen Kontext und verbessert dadurch die Qualität KI-gestützter Analysen und Entscheidungen erheblich.

8. Datenarchitektur: Wissen Sie jederzeit, woher Ihre Daten stammen?

Mit Blick auf DSGVO, den EU AI Act und interne Governance-Anforderungen wird Data Lineage zunehmend zum Pflichtprogramm. Unternehmen sollten jederzeit nachvollziehen können, woher Daten stammen, wie sie verarbeitet wurden und welche Systeme oder Personen Änderungen vorgenommen haben. Diese Transparenz schafft Vertrauen.

KI-Erfolg mit offener Datenarchitektur

Der Erfolg von KI hängt nicht allein von leistungsfähigen Modellen ab. Entscheidend ist eine Datenarchitektur und -infrastruktur, die offen, flexibel und für zukünftige Anforderungen ausgelegt ist. Genau deshalb rückt das Konzept der Open Data Infrastructure zunehmend in den Fokus vieler Unternehmen: Es schafft die Voraussetzungen dafür, Daten herstellerunabhängig zu nutzen, neue Technologien zeitnah zu integrieren und Innovation langfristig abzusichern.

Einsatz von künstlicher Intelligenz

KI-Projekte: Fast die Hälfte scheitert an fehlender Data Readiness