Warum KI ohne Datenstrategie scheitert

Viele Unternehmen stehen heute vor der gleichen Herausforderung: Sie erkennen das Potenzial von KI, verfügen jedoch nicht über die strukturellen Voraussetzungen, um dieses nachhaltig zu nutzen. Um zu verstehen, warum das so ist, und wie sich diese Lücke schliessen lässt, lohnt sich ein genauer Blick auf die Rolle von Daten im Unternehmen.

Warum scheitern viele KI-Initiativen in Unternehmen?

Viele Organisationen starten mit der Nutzung von KI, bevor sie ihre Datenbasis geklärt haben. Typische Herausforderungen dabei:

• Daten liegen in Silos und sind schwer integrierbar

• Es fehlt eine klare Datenstrategie

• Verantwortlichkeiten sind unklar

• Governance-Strukturen sind nicht etabliert

• Qualität ist nicht proaktiv gemanagt

Das Resultat: Proofs of Concepts oder Prototypen ohne nachhaltige Umsetzung.

Viele Unternehmen beginnen mit KI, ohne ihre Daten als strategische Grundlage zu verstehen. Das führt dazu, dass Projekte zwar technologisch funktionieren, aber keinen nachhaltigen Business Impact erzeugen.

Warum sind Daten ein strategisches Wirtschaftsgut?

In einer datengetriebenen Wirtschaft sind Daten längst mehr als ein Nebenprodukt von IT-Systemen. Sie sind ein zentraler Produktionsfaktor.

Unternehmen, die Daten erfolgreich nutzen, betrachten sie als:

• Asset mit klarem wirtschaftlichem Wert unabhängig von technischer Verarbeitung

• Grundlage für neue Geschäftsmodelle

• Treiber für Effizienz und Innovation

• Strategisches Steuerungsinstrument

Der Perspektivenwechsel ist entscheidend: weg von «Daten als notwendiges Übel einer IT-Anwendung» hin zu «Daten als vielfach genutztes Business Asset».

Daten entfalten ihren Wert dann, wenn sie systematisch gemanagt und durch Einbezug in Geschäftsentscheidungen monetarisiert werden.

Drei Praxisbeispiele, wie Unternehmen Daten konkret nutzen

Banking: Vom Reporting zur datenbasierten Service-Plattform

Im Schweizer Retailbanking zeigen Initiativen wie Banken datenbasierte Dienstleistungen entwickeln, um Kundinnen und Kunden personalisierte Informationen und Empfehlungen bereitzustellen. Damit positionieren sich Finanzinstitute zunehmend nicht mehr nur als Produktanbieter, sondern als datengetriebene Begleiter im Alltag ihrer Kundschaft.

Im CAS Data Monetization & Ecosystems HWZ übertragen Teilnehmende solche Ansätze auf ihre eigene Branche: Sie entwickeln konkrete Datenprodukte – etwa abonnierbare Branchenbenchmarks oder nutzungsbasierte Zusatzservices – und analysieren deren Monetarisierungspotenzial. In Projektarbeiten entstehen Business Cases, in denen beispielsweise ein Energieversorger Verbrauchsdaten zu einem digitalen Effizienzservice ausbaut oder ein Handelsunternehmen aus Kundendaten ein segmentiertes Loyalty-Ökosystem entwickelt.

Industrie: Datenarchitektur als Erfolgsfaktor für Industrie 4.0

Ein ähnliches Bild zeigt sich in der Industrie, etwa in der Maschinen- oder Automobilzulieferbranche. Hier ermöglichen Internet of Things (IoT), Sensorik und KI-Anwendungen wie vorausschauende Wartung oder automatisierte Qualitätssicherung. Doch ohne konsistente Datenarchitektur bleiben solche Initiativen oft fragmentiert und auf einzelne Use Cases beschränkt.

Im CAS Data Architecture & Data-driven Business HWZ entwerfen Teilnehmende deshalb Zielarchitekturen für ihr eigenes Unternehmen: von der Integration verschiedener Datenquellen über Streaming- und Batch-Prozesse bis hin zur Bereitstellung von Datenprodukten für Analytics- und AI-Anwendungen. Ein typisches Praxisprojekt kann darin bestehen, Sensordaten eines Maschinenparks so zu orchestrieren, dass daraus ein skalierbarer Wartungsservice mit klar definierten Service Levels entsteht.

Gesundheitswesen: Datenräume, Governance und Regulierung

Besonders deutlich wird die Bedeutung von Datenkompetenz im Gesundheitswesen, wo regulatorische Anforderungen und Datensensibilität eng miteinander verknüpft sind. Europäische Initiativen wie GAIA-X oder branchenspezifische Datenräume zeigen, wie anspruchsvoll es ist, Daten nutzbar zu machen und gleichzeitig Datensouveränität zu gewährleisten. Krankenhäuser, Versicherer und Medtech-Unternehmen stehen vor der Herausforderung, Behandlungsdaten für Forschung und Qualitätssicherung einzusetzen, ohne Datenschutz und Compliance zu verletzen.

Im CAS Data Governance & Privacy HWZ entwickeln Teilnehmende Governance-Modelle, die genau diese Balance ermöglichen, indem sie zum Beispiel Zugriffskonzepte, Einwilligungsprozesse und Auditierbarkeit in ein funktionierendes Datenökosystem integrieren.

Wie der MAS Data Economics diese Herausforderungen löst

Der MAS Data Economics HWZ Kombiniert drei zentrale Kompetenzfelder:

Der entscheidende Mehrwert: Teilnehmende verbinden diese Bereiche in einem durchgängigen Praxisprojekt.

Der MAS ist bewusst so aufgebaut, dass strategische, technische und regulatorische Perspektiven zusammenkommen. Genau das fehlt in vielen Unternehmen heute.

• 

  April 21, 2026 · Medienmitteilungen

  Neuer MAS Data Economics HWZ für nachhaltige, datengetriebene Geschäftsmodelle

Für wen ist der MAS geeignet und welchen Mehrwert bietet er?

Der MAS richtet sich an:

• Fach- und Führungspersonen

• Projektleitende im Bereich Daten & KI

• Business- und IT-Verantwortliche

Teilnehmende profitieren von:

• Praxisnahen Projekten

• Direkter Anwendbarkeit im Unternehmen

• Entwicklung eines konkreten Transformationsfahrplans

Das Ziel: Daten nicht nur verstehen, sondern wirtschaftlich nutzbar machen.

FAQ