Die neue Erfolgsformel für KI: fachlicher Kontext, getragen von Automatisierung

68 % der Unternehmen nennen Datensilos inzwischen als größte Sorge, 7 % mehr als im Vorjahr. Zugleich erwarten 71 % der Verbraucher von Unternehmen persönlich zugeschnittene Ansprache, während 76 % ihren Unmut äußern, wenn Unternehmen diese Erwartung verfehlen. Der Abstand zwischen dem Versprechen der KI und ihrer Wirklichkeit war nie größer, und schuld ist nicht die Technik selbst.

‍

Der versteckte Engpass bei Enterprise AI: Hürden der KI-Einführung 2026

Wenn Führungskräfte über gescheiterte KI sprechen, dreht sich das Gespräch meist um die Genauigkeit der Modelle, um Rechenleistung oder um fehlende Fachkräfte. Doch 72 % der Unternehmen nennen den Umgang mit Daten als eine der größten Hürden, die sie daran hindern, KI-Anwendungsfälle auszuweiten. Das eigentliche Problem sitzt tiefer, als die meisten meinen. Es geht darum, Daten zu haben, die KI-Systeme tatsächlich verstehen können und denen sie trauen können.

‍

Die meisten Unternehmen müssen keine eigenen KI-Modelle trainieren. Sie brauchen vorhandene Modelle (ChatGPT, Claude, Copilot), die ihren besonderen fachlichen Kontext verstehen. Wenn Ihr KI-Assistent die Frage „Wie hoch war unser Umsatz im dritten Quartal?“ beantworten soll, muss er wissen:

• welche Definition von „Umsatz“ gilt (es gibt sechs davon in Ihren Systemen)
• ob Retouren, Gutschriften und Anpassungen einzurechnen sind oder nicht
• welche Währungsumrechnungen greifen
• wie Ihre Geschäftsquartale zu den Kalenderquartalen liegen

‍

In einer jüngeren Befragung des IBM Institute sorgen sich 42 % der Führungskräfte, nicht genug eigene Daten zu haben, um KI-Modelle wirksam zu trainieren oder anzupassen. Die unmittelbarer drängende Aufgabe ist jedoch einfacher: dafür zu sorgen, dass KI die Daten, die Sie bereits haben, mit dem richtigen fachlichen Kontext deuten kann.

‍

Unternehmen ertrinken in Daten und hungern nach Bedeutung. Mehr als die Hälfte der Unternehmensdaten liegt wegen getrennter Verarbeitungspipelines weiterhin in Silos, wobei jedes System seine eigene Sprache spricht, Kennzahlen anders bestimmt und abgeschottet vom größeren fachlichen Zusammenhang arbeitet.

‍

Die entgangene Chance ist gewaltig. Unternehmen, die grundlegende Fähigkeiten wie vereinheitlichte Daten beherrschen, erzielen bei der Umwandlung von Interessenten eine 2x so große Wirkung wie jene, die sich allein auf fortgeschrittene KI-Fähigkeiten stützen. Sie können die ausgefeiltesten KI-Modelle der Welt haben: Wenn sie nicht verstehen, dass „Material Number“ in SAP, „Item“ in Ihrem MES und „SKU“ in Ihrem WMS dasselbe meinen, liefern sie unzuverlässige Ergebnisse.

‍

Warum KI-Modelle ohne fachlichen Kontext nicht denken können

Große Sprachmodelle haben bemerkenswerte Fähigkeiten gezeigt, doch sie teilen eine grundlegende Grenze. Sie verstehen Ihr Geschäft nicht. 79 % der befragten CMOs stimmen zu, dass weitgehende Personalisierung den Kundenwert über die gesamte Beziehung deutlich steigern wird, doch nur 24 % der CxOs entwerfen KI-Systeme, die sich ausweiten lassen.

‍

Der Grund? KI-Modellen, die auf allgemeinen Daten trainiert wurden, fehlt der Einblick in eigene Geschäftsprozesse, Begrifflichkeiten und Zusammenhänge. Wenn die Vertriebsplattform eines Handelsunternehmens einen „aktiven Kunden“ als jemanden bestimmt, der binnen 90 Tagen gekauft hat, während das Marketingsystem denselben Begriff für jeden verwendet, der im vergangenen Monat mit Inhalten zu tun hatte, müssen KI-Systeme raten, welche Definition gilt. Solche Fehldeutungen ziehen sich durch Auswertungen, Empfehlungen und automatisierte Entscheidungen.

‍

70 % der Fachleute für Daten verlieren jede Woche einen ganzen Arbeitstag mit doppelten Aufgaben und ausufernden Datenbeständen. Sooft ein neuer Bericht gebraucht wird, müssen Teams die fachliche Logik neu bauen, Kennzahlen neu bestimmen und Beziehungen zwischen Systemen von Hand zuordnen. Das ist nicht nur unwirtschaftlich, es ist auf Dauer nicht tragfähig in einer Zeit, in der bis 2025 95 % der Kundenkontakte voraussichtlich von KI getragen werden.

‍

Der Semantic Layer

Jahrelang war der Gedanke eines Semantic Layer, also einer einheitlichen fachlichen Abbildung der Daten mit widerspruchsfreien Definitionen und Beziehungen, eher Wunsch als Wirklichkeit. Unternehmen verstanden seinen Wert in der Theorie, scheiterten aber an der Umsetzung. Metadaten von Hand anzulegen, komplexe Einstellungen und der schiere Aufwand, semantische Modelle zu pflegen, machten sie für viele unpraktikabel.

‍

Diese Rechnung hat sich grundlegend geändert.  

‍

Gartner sagt voraus, dass Unternehmen bis 2026 60 % ihrer KI-Vorhaben aufgeben werden, die nicht von KI-ready Daten getragen werden.

‍

Der Semantic Layer hat sich vom netten Baustein der Architektur zu einem tragenden Fundament für den Erfolg von KI entwickelt. Große Cloud-Anbieter und führende Häuser bauen ihn nun um die Wette in ihre Plattformen ein, weil sie erkennen: Ohne fachlichen Kontext bleibt selbst die ausgefeilteste KI grundsätzlich begrenzt.

‍

Die Schwierigkeit ist kulturell und betrieblich.  

‍

Fast 30 % der IT-Fachleute berichten, dass Mängel bei den Daten sie daran hinderten, KI-Werkzeuge wirksam zu nutzen.

‍

Teams brauchen Lösungen, die die Lücke zwischen rohen Daten und fachlicher Bedeutung schließen, ohne dass Heerscharen von Dateningenieuren jede Beziehung und jede Definition von Hand hinterlegen müssen.

‍

Was moderne Unternehmen wirklich brauchen

Die Anforderungen an KI-ready Daten haben sich um einige Kernfähigkeiten verdichtet:

‍

Kontext automatisch entdecken

Klassische Wege im Umgang mit Metadaten verlangen viel Handarbeit, um fachliche Begriffe zu dokumentieren, Kennzahlen zu bestimmen und Beziehungen zuzuordnen. Das kostet nicht nur Zeit, es veraltet auch in dem Moment, in dem sich Geschäftsprozesse ändern. Moderne Unternehmen brauchen Systeme, die semantische Beziehungen aus vorhandenen Datenmustern, aus dem Nutzungsverhalten und aus dem Wissen der Organisation selbst entdecken und erzeugen.

‍

Lebendige Business Glossaries

Starre Datenwörterbücher, die vierteljährlich aktualisiert werden, stammen aus einer langsameren Zeit. 77 % der Verbraucher schätzen von KI getragene Bequemlichkeit und suchen zugleich echten menschlichen Kontakt. Innen gilt dasselbe. KI kann das Erzeugen von Kontext beschleunigen, doch menschliche Erfahrung bleibt für Prüfung und Feinschliff unerlässlich. Unternehmen brauchen bewegliche Glossare, die sich fortlaufend weiterentwickeln und dabei automatische Erkenntnisse mit dem Wissen von Fachleuten verbinden.

‍

Eingebaute Governance

Semantische Bedeutung ohne Data Governance ist wie eine Karte mit falschen Koordinaten: schlimmer als nutzlos, weil sie falsche Sicherheit erzeugt. Der Semantic Layer muss das Verfolgen der Lineage und die Kontrollen der Governance als Kernfähigkeiten mitbringen, nicht als nachträgliche Ergänzung. Treten Probleme auf, müssen sie im fachlichen Zusammenhang verstanden werden.

‍

Eine Architektur für KI

Am wichtigsten ist vielleicht, dass der Semantic Layer eigens dafür entworfen sein muss, von KI genutzt zu werden. Das heißt, reiche Metadaten bereitzustellen, die KI-Agenten abfragen, verstehen und nutzen können. Und es heißt, fachlichen Kontext über moderne Protokolle wie das Model Context Protocol (MCP) bereitzustellen, über das KI-Systeme nicht nur an Daten kommen, sondern auch an die semantischen Beziehungen und fachlichen Regeln, die den Daten Bedeutung geben.

‍

Automatisch erzeugter Kontext  

Der Durchbruch bei der Technik des Semantic Layer beruht auf der Einsicht, dass fachlicher Kontext in Unternehmen bereits vorhanden ist. Er steckt darin, wie Daten genutzt werden, wie Berichte aufgebaut sind, wie Kennzahlen berechnet werden und wie Fachleute ihre Bereiche beschreiben. Die Schwierigkeit besteht darin, dieses stillschweigende Wissen herauszuziehen und zu formalisieren, ohne gewaltige Handarbeit zu verlangen.

‍

Genau hier verändert automatisch erzeugter Kontext die Rechnung. Indem KI-Systeme Nutzungsmuster, Abfragestrukturen, vorhandene Dokumentation und betriebliche Abläufe auswerten, können sie semantische Beziehungen vorschlagen, fachliche Definitionen anbieten und Data Lineage abbilden. Fachleute prüfen, schärfen und geben diese Vorschläge dann frei, wodurch eine Schleife der Zusammenarbeit entsteht, die umfassende semantische Modelle weit schneller erzeugt als der Weg über Handarbeit.

‍

Das Ergebnis ist, wonach Unternehmen lange gesucht haben: eine lebendige, atmende Abbildung des fachlichen Kontexts, die mit dem Wandel im Unternehmen Schritt hält, menschliche wie KI-Nutzer trägt und das Fundament für vertrauenswürdige Auswertungen und kluge Automatisierung legt.

‍

Der Mensch im von KI getragenen Umgang mit Daten

Zwar schätzen 77 % der Verbraucher von KI getragene Bequemlichkeit, doch sie suchen weiterhin echten menschlichen Kontakt. Diese Einsicht reicht über das Kundenerlebnis hinaus bis in den Umgang mit Daten selbst. Die wirksamsten Semantic Layer sind weder rein automatisch noch reine Handarbeit. Sie verbinden Tempo und Reichweite der KI mit dem Urteil und der Fachkenntnis von Menschen.

‍

42 % der Marketingverantwortlichen geben inzwischen Signalen der Treue Vorrang vor Zufriedenheitswerten, was eine breitere Verschiebung hin zu Kennzahlen spiegelt, die fachliche Feinheiten abbilden statt bloßer Transaktionen. Diese Feinheit verlangt semantische Modelle, die nicht nur festhalten, wofür Daten stehen, sondern auch, warum sie zählen, wie sie in verschiedenen Zusammenhängen zu deuten sind und welche fachlichen Regeln ihre Nutzung bestimmen.

‍

Die Prüfung nach dem Human-in-the-Loop-Prinzip sorgt dafür, dass der automatisch erzeugte Kontext zur Wirklichkeit im Unternehmen passt. Sie fängt Sonderfälle ab, die ein Muster übersehen könnte. Sie bringt Wissen ein, das nur in Köpfen existiert. Und, entscheidend, sie schafft Vertrauen: Wenn die Fachbereiche sehen, dass semantische Definitionen ihre Erfahrung und ihr Verständnis abbilden, verlassen sie sich weit eher auf die Erkenntnisse, die eine KI auf diesem Fundament liefert.  

KI ihr Versprechen einlösen lassen

Dass Fortschritte der KI und reifende Datenfundamente zusammenfallen, schafft eine nie dagewesene Gelegenheit. Unternehmen stehen nicht länger vor der Wahl, entweder in KI-Fähigkeiten zu investieren oder die Dateninfrastruktur in Ordnung zu bringen. Beides gehört zusammen, und Lösungen, die beides zugleich angehen, führen am schnellsten zu greifbaren Ergebnissen.

‍

Sehen Sie sich die Wirkung in der Praxis an: Haben KI-Agenten Zugang zu reichem semantischem Kontext, beantworten sie fachliche Fragen genau, ohne dass Nutzer technische Datenbankschemata verstehen müssten. Nutzen Analyseplattformen einheitliche fachliche Definitionen, werden Berichte über Abteilungen hinweg widerspruchsfrei. Überwacht man die Datenqualität in fachlichen Begriffen, treten Probleme zutage, bevor sie Entscheidungen beeinflussen. Nimmt das Verfolgen der Lineage semantische Beziehungen auf, wird das Verstehen von Herkunft und Umformungen eingängig statt archäologisch.

‍

Die Unternehmen, die 2025 mit KI Erfolg haben, sind nicht zwangsläufig jene mit den fortgeschrittensten Modellen oder den größten Datenbeständen. Es sind jene, die das Problem des Kontexts gelöst und ein Fundament gebaut haben, auf dem Menschen wie Maschinen mit Daten in fachlichen Begriffen arbeiten können, im Vertrauen auf deren Bedeutung und Güte.

Ihren AI Context Layer bauen

Für Chief Data Officers und Verantwortliche für Daten, die prüfen, wie sich die Lücke zwischen KI-Anspruch und Datenwirklichkeit schließen lässt, sollten einige Grundsätze die Strategie leiten:

‍

Beginnen Sie bei fachlichen Ergebnissen, nicht bei der technischen Architektur. Der Semantic Layer existiert, um bessere Entscheidungen, schnellere Erkenntnisse und wirksamere Automatisierung zu ermöglichen. Bestimmen Sie in fachlichen Begriffen, wie Erfolg aussieht, bevor Sie den Weg der Umsetzung wählen.

‍

Automatisieren Sie, wo es geht, und holen Sie Fachwissen dazu, wo es nötig ist. Metadaten von Hand anzulegen wächst nicht mit, doch vollständig automatische Wege übersehen wichtige fachliche Feinheiten. Suchen Sie Lösungen, die die schwere Arbeit automatisieren und an den entscheidenden Prüfpunkten menschliches Urteil einbeziehen.

‍

Behandeln Sie den Semantic Layer als Produkt, nicht als Projekt. Wie die Daten selbst entwickelt sich fachlicher Kontext fortlaufend. Einmalige Umsetzungen veralten schnell. Planen Sie fortlaufende Pflege, Anreicherung und Anpassung ein, während sich Ihr Geschäft ändert.

‍

Binden Sie ein, schotten Sie nicht ab. Der Semantic Layer sollte sich mit vorhandenen Datenplattformen, Werkzeugen der Auswertung und KI-Systemen verbinden, nicht sie ersetzen. Der Nutzen entsteht aus einem einheitlichen Blick über verschiedene Systeme hinweg, nicht daraus, ein weiteres Silo zu schaffen.

‍

Messen Sie die Wirkung unnachgiebig. Verfolgen Sie Kennzahlen wie die Zeit bis zur Erkenntnis, die Widerspruchsfreiheit über Berichte hinweg, die Verbesserung der Genauigkeit der KI und den Rückgang doppelter Arbeit. Weisen Sie den Ertrag in Begriffen nach, die die Führung versteht.

Das Zeitfenster

Der Abstand zwischen den Fähigkeiten der KI und der Bereitschaft der Unternehmen bleibt nicht auf Dauer so groß. Wer früh die Aufgabe des Datenfundaments löst, gewinnt sich verstärkende Vorteile: genauere KI-Systeme, vertrauenswürdigere Auswertungen, produktivere Teams. Diese Vorteile verstärken sich gegenseitig und schaffen sich selbst tragende Kreisläufe der Verbesserung.

Wie Dawiso den AI Context Layer ermöglicht

Die Aufgabe, rohe Daten und fachlichen Kontext zu verbinden, stellt sich überall, doch die Umsetzung verlangt eigens gebaute Fähigkeiten, die sowohl die technische Verschachtelung als auch die betrieblichen Kräfte beim Aufbau eines Semantic Layer angehen.

‍

Kontext automatisch und im großen Maßstab erzeugen

Der AI Context Layer von Dawiso beseitigt den klassischen Engpass, Metadaten von Hand anzulegen, durch kluge Automatisierung. Die Plattform liest vorhandene Datenstrukturen und Dokumentation aus und erzeugt daraus automatisch semantische Beziehungen und fachliche Definitionen. Was Datenteams von Hand Monate kosten würde, entsteht in Tagen und legt ein umfassendes Fundament für KI-ready Daten.

‍

Das System erkennt Entitäten, schlägt Beziehungen vor, bietet Begriffe für das Business Glossary an und bildet Data Lineage ab, alles ohne aufwendige Einstellungen. Diese Automatisierung ersetzt kein Fachwissen. Sie beschleunigt es, indem sie die wiederkehrende Entdeckungsarbeit übernimmt, die üblicherweise 70 % der Zeit von Fachleuten für Daten frisst.  

‍

Automatisches Business Glossary mit Prüfung durch Menschen

Kontext ohne Prüfung schafft neue Risiken. Dawiso setzt auf einen Human-in-the-Loop-Ansatz: Automatisch entdeckte und angelegte fachliche Begriffe, Definitionen und Beziehungen werden Fachleuten zur Prüfung und Freigabe vorgelegt. Dieser gemeinsame Ablauf sichert semantische Richtigkeit und hält zugleich den Tempovorteil der Automatisierung.

‍

Das Business Glossary erstarrt nach dem ersten Aufbau nicht. Es entwickelt sich fortlaufend weiter, während neue Datenquellen hinzukommen, sich Geschäftsprozesse ändern und das Wissen im Unternehmen wächst. Anzeigen machen sichtbar, welche Begriffe geprüft sind, welche eine Prüfung brauchen und welche in Auswertungen und KI-Anwendungen tatsächlich genutzt werden.

‍

Interactive Data Lineage

Zu verstehen, was Daten bedeuten, ist nur wertvoll, wenn die Daten selbst vertrauenswürdig sind. Fähigkeiten zur Prozessintelligenz verfolgen, wie Daten durch die Systeme des Unternehmens fließen, welche Umformungen geschehen und wie fachliche Logik angewandt wird.  

‍

KI-ready Architektur mit Anbindung über MCP

Die Architektur von Dawiso ist eigens darauf angelegt, von KI genutzt zu werden. Über die Anbindung des Model Context Protocol (MCP) können KI-Agenten und LLMs den Semantic Layer unmittelbar abfragen und dabei fachlichen Kontext neben den Metadaten abrufen. Das erlaubt Abfragen in natürlicher Sprache, die die Begriffe des Unternehmens verstehen, Umsetzungen mit RAG (bei denen die KI die richtigen fachlichen Informationen zur Beantwortung holt und nicht bloß Treffer auf Stichwörter) und KI-Agenten, die anhand fachlicher Logik über Daten schließen.

‍

Die Plattform liefert die strukturierten Metadaten und Angaben zu Beziehungen, die KI-Systeme genau und erklärbar machen. Statt die KI zu zwingen, die Bedeutung aus rohen Datenbankschemata zu erschließen, stellt Dawiso den fachlichen Kontext ausdrücklich bereit, der sichere, vertrauenswürdige Erkenntnisse aus KI überhaupt erst möglich macht.

‍

Vom Datenkatalog zur aktiven Kontext-Engine

Klassische Datenkataloge dokumentieren, was es gibt. Der AI Context Layer von Dawiso aktiviert dieses Wissen und macht es zum tragenden Fundament für Auswertung, KI und Entscheidungen. Datenprodukte in der Plattform werden mit semantischem Kontext angereichert, über Knowledge Graphs verbunden und über fachliches Vokabular auffindbar gemacht.

‍

Das verschiebt das Bild von passiver Dokumentation zu aktivem Ermöglichen. Wenn Analystinnen und Analysten nach Umsatzdaten suchen, finden sie nicht bloß Tabellen, sondern vollständig in den Kontext gesetzte Datenprodukte mit klaren Definitionen, Beziehungen und fachlicher Verantwortung. Wenn KI-Systeme Kundeninformationen brauchen, verstehen sie, wie die Daten in CRM, Handel und Kernbankensystem zusammenhängen, mit einheitlichen fachlichen Definitionen statt zersplitterter technischer Schemata.

‍

‍

‍